一、Python處理PDF

• Python處理PDF的好處

1. 自動化和批量處理：使用Python，你可以自動處理大量的PDF文件，例如從掃描儀生成的文檔、報(bào)告、合同等。這可以節(jié)省大量時間和努力，尤其是在需要重復(fù)性任務(wù)時。

2. 文本提取：Python可以輕松地從PDF中提取文本內(nèi)容，使其可搜索、可編輯和可分析。這對于文本分析、數(shù)據(jù)挖掘和文檔檢索等任務(wù)非常有用。

3. 報(bào)告生成：你可以使用Python創(chuàng)建自定義的PDF報(bào)告，將數(shù)據(jù)、圖表和圖像等信息以專業(yè)的方式呈現(xiàn)。這對于生成自動化的業(yè)務(wù)報(bào)告、數(shù)據(jù)可視化和數(shù)據(jù)分析很有幫助。

4. PDF編輯：Python庫和工具使你能夠合并、拆分、旋轉(zhuǎn)、裁剪和編輯PDF文件的頁面。這對于在不使用專業(yè)PDF編輯軟件的情況下進(jìn)行簡單的文檔編輯很有用。

5. 圖像提取：Python允許你從PDF文件中提取圖像，這對于處理包含圖形、圖表和圖片的文檔非常有幫助。

6. 數(shù)據(jù)提取：當(dāng)PDF文件包含表格或結(jié)構(gòu)化數(shù)據(jù)時，Python可以用于提取和轉(zhuǎn)換這些數(shù)據(jù)，以便進(jìn)一步分析或?qū)氲綌?shù)據(jù)庫中。

7. 自定義處理：Python提供了多種用于PDF處理的庫，允許你根據(jù)項(xiàng)目的需求進(jìn)行自定義處理。你可以選擇適合你需求的庫，以滿足具體要求。

8. 跨平臺：Python是跨平臺的，因此你可以在不同操作系統(tǒng)上運(yùn)行相同的代碼，而無需擔(dān)心兼容性問題。

Python處理PDF文件的主要第三方庫包括：

1. PyPDF2：PyPDF2是一個用于處理PDF文件的庫，可以用于提取文本、合并、拆分和旋轉(zhuǎn)PDF文件的頁面。它還支持添加頁面、水印和書簽等功能。

2. ReportLab：ReportLab是一個用于創(chuàng)建PDF文件的庫，允許你以編程方式構(gòu)建PDF文檔，包括添加文本、圖像、表格等。

3. PDFMiner：PDFMiner是一個用于提取文本和元數(shù)據(jù)的PDF處理庫。它可以解析PDF文件并提取文本、布局信息和鏈接等。

4. pdf2image：pdf2image是一個用于將PDF文件轉(zhuǎn)換為圖像的庫，這對于處理包含圖形的PDF文件非常有用。

5. fpdf2：fpdf2是一個用于創(chuàng)建PDF文件的庫，支持自定義字體、圖像和表格等。

6. PyMuPDF：PyMuPDF是一個用于處理PDF文件的庫，可以用于提取文本、圖像和元數(shù)據(jù)。它還支持PDF文件的渲染和轉(zhuǎn)換為圖像。

7. Camelot：Camelot是一個用于提取表格數(shù)據(jù)的庫，特別適用于從PDF文件中提取表格數(shù)據(jù)。

8. Tabula-py：Tabula-py是一個用于提取表格數(shù)據(jù)的庫，可將PDF中的表格轉(zhuǎn)換為DataFrame對象。

• 開發(fā)環(huán)境

操作系統(tǒng)：使用windows, mac都可以

Python版本：系統(tǒng)中需要安裝Python3.6以上的版本，Python2已經(jīng)過期不建議使用，Python3.6以前的版本功能相對弱，最好就是采用Python3.6以上的版本

開發(fā)工具：有兩個可以選擇，jupyter notebook，是個網(wǎng)頁編輯器，可以運(yùn)行Python，常常用于交互性、探索性的開發(fā)；pycharm，用于成熟腳本，或者web服務(wù)的一些開發(fā)；這兩個工具可以隨意選擇。

二、用Python將PDF文件轉(zhuǎn)存為圖片

技術(shù)工具：

Python版本:3.9

代碼編輯器：jupyter notebook

因工作中的某些奇葩要求，需要將PDF文件的每頁內(nèi)容轉(zhuǎn)存成按順序編號的圖片。用第三方軟件或者在線轉(zhuǎn)換也可以，但批量操作還是Python方便，所謂搞定辦公自動化，Python出山，一統(tǒng)天下；Python出征，寸草不生~ 

不過這個需要用到`PyMuPDF`庫，電腦運(yùn)行cmd，輸入“pip install PyMuPDF”安裝即可。安裝后通過`import fitz`導(dǎo)入模塊。等等，為什么安裝的是`PyMuPDF`，導(dǎo)入的是`fitz`？俺`PyMuPDF`就是這么任性，怎么的，愛用不用！哈哈，開個玩笑。其實(shí)是因?yàn)閌PyMuPDF`曾用名`fitz-python`，所以只是`fitz`換了個馬甲而已。

這里先導(dǎo)入`fitz`庫，用于將PDF文件的頁面提取成像素信息（圖片）。再導(dǎo)入`glob`庫，用于獲取后綴為".pdf"的文件的文件名。`os`庫可新建文件夾。

#批量將PDF文件轉(zhuǎn)為圖片
import fitz
import glob
import os
image_path = "圖片\\" #存放圖片的文件夾
PDFfiles = glob.glob("PDF文件\\*.pdf") #獲取所有pdf文件的文件名
for PDFfile in PDFfiles: #遍歷所有PDF文件
    PDFdoc = fitz.open(PDFfile) #讀取PDF文件
    folder_name = PDFfile.split("\\")[-1].split(".")[0] #按源文件名新建文件夾
    for pg in range(PDFdoc.pageCount): #根據(jù)PDF的頁數(shù),按頁提取圖片        
        page = PDFdoc[pg]
        #增強(qiáng)圖片分辨率
        zoom_x = 3 #水平方向
        zoom_y = 3 #垂直方向
        mat = fitz.Matrix(zoom_x, zoom_y) 
        pix = page.getPixmap(matrix=mat)  
        #按原PDF名稱新建文件夾并按順序保存圖片
        if not os.path.exists(image_path+folder_name):#判斷文件夾是否已存在
            os.makedirs(image_path+folder_name)#不存在則新建，存在就跳過這行
        pix.writeImage(image_path+folder_name + "\\{}.png".format(str(pg+1))) #按PDF中的頁面順序命名并保存圖片

以上，我們先將所有待處理的PDF文件放入“PDF文件夾”，然后通過`glob.glob("PDF文件\\*.pdf")`搜索并抓取所有以".pdf"為后綴的文件，并存入變量`PDFfiles`中。結(jié)果如下所示：

PDFfiles

然后，遍歷`PDFfiles`中的所有PDF文件，使用`fitz.open()`讀取。`fitz.open()`用于創(chuàng)建PDF文件中頁面的像素映射(pixel maps)，即用像素來表示頁面信息。然后按PDF文件名命名一個新的文件夾，以便儲存圖片。比如給“收貨記錄.pdf”文件建一個名字為“收貨記錄”的文件夾，專門儲存關(guān)于它的頁面的圖片。隨后用`for`循環(huán)，根據(jù)PDF的頁數(shù)，按頁提取圖片。將每頁的信息存入`page`變量，它的type 是`fitz.fitz.Page`，即一頁像素文件。

為了讓圖片看起來更清晰，需要增強(qiáng)圖片的分辨率，設(shè)定圖片水平及垂直方向的增強(qiáng)倍數(shù)，傳入`Matrix`。`Matrix`用于提升即將保存的圖片的分辨率，分辨率的提升倍數(shù)為`zoom_x`與`zoom_y`的乘積。倍數(shù)越大，圖片越清晰，當(dāng)然占用空間也越大。這個參數(shù)可根據(jù)實(shí)際要求調(diào)整。然后將`Matrix`存入`mat`，傳入`getPixmap()`。`getPixmap()`用于控制圖片分辨率、色域（比如生成灰度圖像或帶有減色方案的圖像）、透明度、旋轉(zhuǎn)、鏡像、移位、剪切等。由于其它都不需要專門設(shè)定，所以只增強(qiáng)其分辨率。 

一頁圖片處理好后，就需要保存圖片了。先通過`os.path.exists`判斷一下需要的文件夾是否存在，若不存在就通過`os.makedirs`創(chuàng)建。然后用`pix.writeImage`按頁碼編號寫入并保存圖片。

以上就是使用Python將PDF文件轉(zhuǎn)存為圖片的代碼示例的詳細(xì)內(nèi)容，更多關(guān)于Python將PDF文件轉(zhuǎn)存為圖片的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論