- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章Python提取PDF指定内容并生成新文件由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
在之前的Python办公自动化案专题中,我们已经介绍了如何有选择的提取某些页面进行合并.
但是很多时候,我们并不会预知希望提取的页号,而是希望将包含指定内容的页面提取合并为新PDF,本文就以两个真实需求为例进行讲解.
数据是一份有286页的上市公司公开年报PDF,大致如下 。
现在需要利用 Python 完成以下两个需求 。
“需求一:提取所有包含 战略 二字的页面并合并新PDF 。
需求二:提取所有包含图片的页面,并分别保存为 PDF 文件 。
”
2.1 PyPDF2 模块实现合并 。
PyPDF2 导入模块的代码常常是:
from PyPDF2 import PdfFileReader, PdfFileWriter
这里导入了两个方法:
PdfFileReader
可以理解为读取器PdfFileWriter
可以理解为写入器利用 PyPDF2 实现合并运用的一下逻辑:
隐含知识点:读取器只能将读取的内容一页一页交给写入器 。
2.2 获取与添加页面 。
之前我们的推文中提到这两个代码,下面列出作为复习:
.getPage
获取特定页.addPage
添加特定页2.3 图片和文字的处理 。
要实现本文的需求还要做到很重要的一个判断:确定页面中有无包含的文字或图片 。
判断是否包含特定的文字比较简单,遍历每一页的时候都将包含的文本抽提出,做字符串层面的判断即可,代码思路:
pdfplumber
打开PDF 文件.extract_text()
方法提取当前页的文字判断是否包含图片,思路和上面是类似的,但方法不同。图片考虑用正则的方法识别,用 fitz 和 re 配合,具体见下文代码 。
3.1 需求一的实现 。
首先来完成需求一的任务,导入需要用到的库:读取写入PDF文件的 PyPDF2 以及抽提文本的 pdfplumber 。
from PyPDF2 import PdfFileReader, PdfFileWriterimport pdfplumber
指定文件所在的路径,同时初始化写入器,将文件交给读取器:
path = r"C:xxxxxx"pdf_writer = PdfFileWriter()pdf_reader = PdfFileReader(path + r"公司年报.PDF")
以上下文管理器形式通过 pdfplumber 打开文件,同时用 .getNumPages 获取读取器的最大页利于遍历每一页来抽提文字:
with pdfplumber.open(path + r"公司年报.PDF") as pdf: for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text())
我们抽提文字的目的是用来判断,将符合要求的页码作为读取器 .getPage 的参数,最后用 .addPage 交给写入器:
with pdfplumber.open(path + r"公司年报.PDF") as pdf: for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text()) if "战略" in page.extract_text(): pdf_writer.addPage(pdf_reader.getPage(i)) print(i + 1, page.extract_text())
完成识别后让写入器输出为需要的文件名:
with open(path + r"ew_公司年报.pdf", "wb") as out: pdf_writer.write(out)
至此,我们就完成了包含特定文字内容页面的提取,并整合成一个PDF。所有的页面均包含“战略”二字:
需求一完整代码如下,感兴趣的读者可以自行研究 。
from PyPDF2 import PdfFileReader, PdfFileWriterimport pdfplumber path = r"C:xxx"pdf_writer = PdfFileWriter()pdf_reader = PdfFileReader(path + r"公司年报.PDF") with pdfplumber.open(path + r"公司年报.PDF") as pdf: for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text()) if "战略" in page.extract_text(): pdf_writer.addPage(pdf_reader.getPage(i)) print(i + 1, page.extract_text()) with open(path + r"ew_公司年报1.pdf", "wb") as out: pdf_writer.write(out)
3.2 需求二的实现 。
接下来完成需求二的任务。首先导入需要的库:
from PyPDF2 import PdfFileReader, PdfFileWriterimport fitzimport reimport os
指定文件所在的路径:
path = r"C:xxxxxx"
正则识别图片的部分不细讲,之前的推文已经介绍过,我们直接看代码:
page_lst = []checkImg = r"/Subtype(?= */Image)"pdf = fitz.open(path + r"公司年报.PDF")lenXREF = pdf._getXrefLength() for i in range(lenXREF): text = pdf._getXrefString(i) isImage = re.search(checkImg, text) if isImage: page_lst.append(i) print(page_lst)
获取到所有包含图片的页面后,再结合读取器和写入器的配合就能完成新 PDF 的产生。注意本需求是所有图片单独输出,因此获取到页面后交给写入器直接输出成文件:
pdf_reader = PdfFileReader(path + r"公司年报.PDF")for page in page_lst: pdf_writer = PdfFileWriter() pdf_writer.addPage(pdf_reader.getPage(page)) with open(path + r"公司年报_{}.pdf".format(page + 1), "wb") as out: pdf_writer.write(out)
至此也完成了第二个需求。需要说明的是目前没有非常完美提取PDF图片的方法,本案例介绍的方法识别图片也并不稳定。读者可以利用自己的数据多做尝试。完整代码如下:
from PyPDF2 import PdfFileReader, PdfFileWriterimport fitzimport reimport os path = r"C:xxx" page_lst = []checkImg = r"/Subtype(?= */Image)"pdf = fitz.open(path + r"公司年报.PDF")lenXREF = pdf._getXrefLength()for i in range(lenXREF): text = pdf._getXrefString(i) isImage = re.search(checkImg, text) if isImage: page_lst.append(i) print(page_lst) pdf_reader = PdfFileReader(path + r"公司年报.PDF")for page in page_lst: pdf_writer = PdfFileWriter() pdf_writer.addPage(pdf_reader.getPage(page)) with open(path + r"公司年报_{}.pdf".format(page + 1), "wb") as out: pdf_writer.write(out)
实现这两个单个需求后,就可以将相关代码封装并结合os等模块实现批量操作,解放双手.
到此这篇关于Python提取PDF指定内容并生成新文件的文章就介绍到这了,更多相关Python提取PDF指定内容内容请搜索我以前的文章或继续浏览下面的相关文章希望大家以后多多支持我! 。
原文链接:https://blog.csdn.net/aaahtml/article/details/117650641 。
最后此篇关于Python提取PDF指定内容并生成新文件的文章就讲到这里了,如果你想了解更多关于Python提取PDF指定内容并生成新文件的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
我正在为我的按钮使用 onClick 功能。我的按钮代码如下所示: Button 1 Button 2 我的 JS 函数如下所示: function fadeNext(selectedId, spee
首先,我想提一下,我理解每个人在不提供至少一些试验或错误的情况下提出问题的感受,但这纯粹是一种知识需求,话虽如此,我会去提前问。 我一直无法弄清楚如何将保存在 MySQL 表中的 600-1000 个
我想做的事情有点令人困惑,而且我英语不太好,所以我先把代码贴在这里,这样你就可以很容易地理解: 以下是表单内容: Testing for Stackoverflow Option1
我学习 SDL 二维编程已有一段时间了,现在我想创建一个结合使用 SDL 和 OpenGL 的程序。我是这样设置的: SDL_Init(SDL_INIT_VIDEO); window = SDL_Cr
我创建了 2 个 data-* 标签。数据类别和数据标签。单击 href 标签后,我想复制该数据类别和数据标签以形成输入。我的代码是:
我想用 CSS 换行。我正在使用内容。 td:before { content: "Test\A Test2"; } 它不工作。如何正确
这个问题已经有答案了: Java Class that implements Map and keeps insertion order? (8 个回答) 已关闭 6 年前。 我有一个 HashMap
我正在尝试使用 JMeter 执行端到端测试。测试涉及写入SFTP文件夹并从另一个SFTP文件夹读取写入操作生成的文件。 我能够使用 JMeter SSH SFTP 插件连接到 SFTP 文件夹,并能
您好,我有带有标准服务器端 Servlet 的 GWT 客户端。 我可以从 GWT 客户端上传文件并在服务器端读取其内容 我可以将其作为字符串发送回客户端 但是 我有 GWT FormPanel与操作
我在 Plone 4.3.9 中创建了一个自定义类型的灵巧性,称为 PersonalPage,必须只允许在特定文件夹中使用 成员文件夹/用户文件夹 . 在他的 FTI 中,默认情况下 False .
在新(更新)版本的应用程序中更改小部件布局的最佳做法是什么?当新版本提供更新、更好的小部件时,如何处理现有小部件? 最佳答案 我认为您必须向用户显示一个弹出窗口,说明“此版本中的新功能”并要求他们重新
在我的应用程序中,我使用支持 View 寻呼机和 PagerTabStrip。进入查看寻呼机我有一些 fragment ,进入其中一个我正在使用支持卡片 View 。运行应用程序后,所有卡片 View
我有以下布局文件。基本上我有谷歌地图,在左上角我有一个 TextView,我需要在其中每 15 秒保持一次计数器以刷新 map 。布局很好。
我使用如下结构: HashMap > > OverallMap 如果我这样做: OverallMap . clear ( ) clear() 丢弃的所有内容(HashMap 对象、Integer 对
我在数据库中有 1000 张图像。在页面加载时,我随机显示 60 张图片,当用户滚动时,我通过 AJAX 请求添加 20 张图片。 第一种方法 我所做的是将所有图像加载到一个容器中,然后隐藏所有图像并
我正在使用 woocommerce 创建一个网上商店。 我想在每个产品上添加一个包含产品信息的表格,例如颜色、交货时间等等。 但是当我添加这张表时。本产品消失后的所有内容。 我的表的代码: td {
This question already has an answer here: What does an empty value for the CSS property content do?
因此,我正在与我的 friend 一起为 Google Chrome 开发一个扩展程序,对于大多数功能(即日历、设置等),我们打开一个模式,这样我们就不必重定向到另一个页面。当您在内容之外单击时,我们
我将可变高度的 CSS 框设置为在更大的 div 中向左浮动。现在我想添加一个标题,其中文本在框的左侧垂直显示(旋转 90 度),如下面的链接所示(抱歉还不能发布图片)。 http://imagesh
相关页面位于 www.codykrauskopf.com/circus 如果您查看我页面的右侧,在半透明容器和浏览器窗口边缘之间有一个间隙。我看了看,出于某种原因,wrap、main、content
我是一名优秀的程序员,十分优秀!