Python 读取PDF文档内容 提取PDF文本和图片
目录
（图片来源网络，侵删）
一、介绍
二、安装Python库
三、Python 实现PDF文本和图片提取/读取PDF文档内容
1、从整个PDF文档提取文本
2、从特定PDF页面提取文本
3、从特定PDF页面区域提取文本
4、从整个PDF文档提取图片
5、从特定PDF页面提取图片
一、介绍
在当今的工作和生活中，PDF文档已经成为无处不在的文件格式。许多企业和机构选择将重要文件，如合同、报告等，保存为PDF格式以进行存储和管理。有时候，我们需要读取这些文档中的内容，包括文字和图片等，以便进一步分析文档内容、提取关键信息或将其集成到其他系统中。这篇文章将探讨如何通过Python实现PDF文本和图片的提取。
二、安装Python库
Python中有许多可以处理PDF的库，这篇文章使用的库是Spire.PDF for Python，它支持在多种场景下提取PDF文档中的文本和图片。此外还支持文档格式转换，例如PDF与图片互转，PDF转Word或Excel等。可以使用pip命令来安装它：
pip install Spire.PDF
下面我们来看如何借助这个库提取PDF文档中的文本和图片。
三、Python 实现PDF文本和图片提取/读取PDF文档内容
提取PDF文本和图片可以有多种场景，这里介绍一些常见的场景：
- 从整个PDF文档提取文本
- 从特定PDF页面提取文本
- 从特定PDF页面区域提取文本
- 从整个PDF文档提取图片
- 从特定PDF页面提取图片
1、从整个PDF文档提取文本
从整个PDF文档中提取文本，大致步骤如下：
- 加载PDF文档。
- 遍历每个页面并提取页面的文本内容。
- 将提取的文本保存到文本文件中。
代码：
from spire.pdf.common import * from spire.pdf import * # 定义一个从PDF文档提取文本的函数，参数分别为输入PDF文档的路径，存放提取文本的文本文档的路径 def extract_text_from_pdf(file_path, output_file): # 创建PdfDocument类的实例 doc = PdfDocument() # 加载PDF文档 doc.LoadFromFile(file_path) # 创建list来存储提取的文本 extracted_text = [] # 遍历文档的页面 for i in range(doc.Pages.Count): page = doc.Pages.get_Item(i) # 从页面提取文本并存储到list text = page.ExtractText(True) extracted_text.append(text) # 将提取的文本保存到文本文档 with open(output_file, "w", encoding="utf-8") as text_file: text_file.write("\n".join(extracted_text)) doc.Close() # 调用函数实现从PDF提取文本 file_path = "测试.pdf" output_file = "提取文本.txt" extract_text_from_pdf(file_path, output_file)2、从特定PDF页面提取文本
从指定的PDF页面提取文本，大致步骤如下：
- 加载PDF文档。
- 通过页面索引获取指定页面。
- 提取页面的文本内容。
- 将提取的文本保存到文本文件中。
代码：
from spire.pdf.common import * from spire.pdf import * # 定义一个从PDF文档指定页面提取文本的函数，参数分别为输入PDF文档的路径，需要提取文本的页面索引（从0开始），存放提取文本的文本文档的路径 def extract_text_from_page(file_path, page_num, output_file): # 创建PdfDocument类的实例 doc = PdfDocument() # 加载PDF文档 doc.LoadFromFile(file_path) # 根据页面索引获取特定页面 page = doc.Pages[page_num] # 从该页面提取文本 text = page.ExtractText(True) # 将提取的文本存储到文本文件 with open(output_file, "w", encoding="utf-8") as text_file: text_file.write(text) doc.Close() # 调用函数实现从PDF指定页面提取文本 file_path = "测试.pdf" page_num = 0 # 指定从中提取文本的页码（页码索引从0开始） output_file = "提取页面文本.txt" extract_text_from_page(file_path, page_num, output_file)3、从特定PDF页面区域提取文本
从指定PDF页面区域提取文本，大致步骤如下:
- 加载PDF文档。
- 通过页面索引获取指定页面。
- 指定需要提取文本内容的矩形区域的坐标、宽度和高度。
- 从页面的指定矩形区域中提取文本。
- 将提取的文本保存到文本文件中。
代码：
from spire.pdf.common import * from spire.pdf import * # 定义一个从PDF文档指定页面的指定区域提取文本的函数，参数分别为输入PDF文档的路径，需要提取文本的页面索引（从0开始），区域的X坐标，区域的Y坐标，区域的宽度，区域的高度，存放提取文本的文本文件路径 def extract_text_from_page_area(file_path, page_num, x, y, width, height, output_file): # 创建PdfDocument实例 doc = PdfDocument() # 加载PDF文档 doc.LoadFromFile(file_path) # 根据页面索引获取特定页面 page = doc.Pages[page_num] # 定义一个矩形来指定文本提取的区域 rectangle = RectangleF(x, y, width, height) # 从页面的指定矩形区域中提取文本 text = page.ExtractText(rectangle) # 将提取的文本存储到文本文件 with open(output_file, "w", encoding="utf-8") as text_file: text_file.write(text) doc.Close() # 调用函数实现从PDF指定页面的指定区域提取文本 file_path = "测试.pdf" page_num = 0 # 指定从中提取文本的页码（页码索引从0开始） x = 0.0 y = 180.0 width = 500.0 height = 200.0 output_file = "提取页面区域文本.txt" extract_text_from_page_area(file_path, page_num, x, y, width, height, output_file)4、从整个PDF文档提取图片
从整个PDF文档提取图片，大致步骤如下:
- 加载PDF文档。
- 遍历每个页面并提取页面上的图片。
- 将提取的图片保存到文件夹中。
代码：
from spire.pdf.common import * from spire.pdf import * # 定义一个从PDF文档提取图片的函数，参数分别为输入PDF文档的路径，存放提取的图片的文件夹路径 def extract_images_from_pdf(file_path, output_folder): # 创建PdfDocument类的实例 doc = PdfDocument() # 加载PDF文档 doc.LoadFromFile(file_path) # 创建list来存储提取的图片 images = [] # 遍历文档的页面 for i in range(doc.Pages.Count): # 获取当前页 page = doc.Pages.get_Item(i) # 从页面提取图片并存储到list for img in page.ExtractImages(): images.append(img) # 将图片保存到指定文件夹 for i, image in enumerate(images): image.Save(f"{output_folder}Image-{i+1}.png", ImageFormat.get_Png()) doc.Close() # 调用函数实现从PDF提取图片 file_path = "测试.pdf" output_folder = "文档图片/" extract_images_from_pdf(file_path, output_folder)5、从特定PDF页面提取图片
从PDF文档的特定页面提取图片，大致步骤如下：
- 加载PDF文档。
- 通过页面索引获取指定页面。
- 提取页面上的图片。
- 将提取的图片保存到文件夹中。
代码：
from spire.pdf.common import * from spire.pdf import * # 定义一个从PDF文档指定页面提取图片的函数，参数分别为输入PDF文档的路径，需要提取图片的页码索引，存放提取的图片的文件夹路径 def extract_images_from_pdf_page(file_path, page_num, output_folder): # 创建PdfDocument类的实例 doc = PdfDocument() # 加载PDF文档 doc.LoadFromFile(file_path) # 创建list来存储提取的图片 images = [] # 根据页面索引获取特定页面 page = doc.Pages.get_Item(page_num) # 提取该页面上的图片并将它们存储到list for img in page.ExtractImages(): images.append(img) # 将图片保存到指定文件夹 for i, image in enumerate(images): image.Save(f"{output_folder}Image-{i+1}.png", ImageFormat.get_Png()) doc.Close() # 调用函数实现从PDF指定页面提取图片 file_path = "测试.pdf" page_num = 0 # 指定从中提取图像的页码（注意页码索引从0开始） output_folder = "页面图片/" extract_images_from_pdf_page(file_path, page_num, output_folder)希望以上关于使用Python实现PDF文本和图片提取的内容能对你有所帮助。
免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理! 部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理! 图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库和百度，360，搜狗等多加搜索引擎自动关键词搜索配图，如有侵权的图片，请第一时间联系我们，邮箱：ciyunidc@ciyunshuju.com。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!
