在實(shí)際的系統(tǒng)開發(fā)中，處理 PDF 文件不僅限于讀取整頁文本，還有提取文檔中的表格數(shù)據(jù)、圖片或特定區(qū)域的內(nèi)容。這些任務(wù)看似簡(jiǎn)單，實(shí)則對(duì)精度與處理能力提出了更高要求。本文將以 Python 語言為例，結(jié)合 Spire.PDF 控件，帶你實(shí)戰(zhàn)演練如何精準(zhǔn)提取 PDF 中的表格、圖片以及指定區(qū)域的文本內(nèi)容，助力你高效完成數(shù)據(jù)分析、內(nèi)容重用等任務(wù)。

安裝 Python 庫(kù)

本文將使用 Spire.PDF for Python 來演示怎樣完成 PDF 文檔中的元素提取。作為一個(gè)獨(dú)立的第三方組件，Spire.PDF 不依賴微軟 Office，還可以兼容大部分國(guó)產(chǎn)系統(tǒng)，是你的 PDF 自動(dòng)化好幫手。

通過 pip 命令安裝它：

pip install Spire.PDF

或使用：

pip install spire.pdf.free

安裝免費(fèi)版，免費(fèi)版存在一些篇幅限制，但對(duì)于處理小型任務(wù)來說足夠了。

提取 PDF 文本內(nèi)容：獲取整頁文本與指定區(qū)域內(nèi)容

通常情況下，提取 PDF 文檔文本的需求主要有兩種：

• 一種是提取整頁或整份文檔中的全部文本，如合同全文提取、批量歸檔場(chǎng)景。
• 另一種是提取特定區(qū)域內(nèi)的文本，如從表單、票據(jù)中提取某一欄位內(nèi)容。

在本章節(jié)，我們將使用 Spire.PDF 來分別完成這兩個(gè)任務(wù)。

獲取頁面上的所有文本內(nèi)容

文本是 PDF 文檔中最常見的內(nèi)容形式。無論是提取整份合同內(nèi)容，還是其他需要批量處理的文檔，掌握 PDF 文本提取技巧都至關(guān)重要。本節(jié)將向你展示如何快速通過 Python 從 PDF 文檔中提取頁面上的所有文本內(nèi)容。

完整代碼示例 - 獲取第一頁所有文本：

from spire.pdf import *
from spire.pdf.common import *


# 創(chuàng)建 PdfDocument 對(duì)象
pdf = PdfDocument()

# 加載 PDF 文檔
pdf.LoadFromFile("/AI繪畫的利與弊.pdf")

# 獲取 PDF 第一頁，遍歷文檔所有頁便可提取文檔所有文本內(nèi)容
page = pdf.Pages.get_Item(0)

# 創(chuàng)建 PdfTextExtractor 對(duì)象
textExtractor = PdfTextExtractor(page)

# 創(chuàng)建 PdfTextExtractOptions 對(duì)象
extractOptions = PdfTextExtractOptions()

# 從頁面中提取文本
text = textExtractor.ExtractText(extractOptions)

# 寫入到 txt 文件中
extractedText = open("/提取第一頁文本.txt", "w", encoding = "utf-8")
extractedText.write(text)

# 釋放對(duì)象
extractedText.close()
pdf.Close()

效果預(yù)覽：

（Python 提取 PDF 頁面上的文本）

主要步驟解析：

• 創(chuàng)建新的 PdfDocument 對(duì)象，然后加載 PDF 文檔。
• 獲取文檔的第一頁或遍歷所有頁面以便提取整個(gè) PDF 文檔的文本。
• 創(chuàng)建 PdfTextExtractor 和 PdfTextExtractOptions 對(duì)象，用以提取文本。
• 通過 PdfTextExtractor.ExtractText() 方法從所選頁面中提取文本。

獲取 PDF 特定區(qū)域的文本

有時(shí)候，我們不需要整頁的內(nèi)容，只想提取 PDF 里某個(gè)特定位置的文字，比如發(fā)票上的金額、表格里的某一欄，或者文件角落的簽名。只需要用 Spire.PDF 設(shè)置一下坐標(biāo)，就能輕松搞定區(qū)域文本提取。

完整代碼示例 - 獲取第一頁一個(gè)矩形區(qū)域內(nèi)的文本：

from spire.pdf import *
from spire.pdf.common import *


# 創(chuàng)建PdfDocument 對(duì)象
pdf = PdfDocument()

# 加載PDF文檔
pdf.LoadFromFile("E:/Administrator/Python1/input/AI繪畫的利與弊-圖片版.pdf")

# 獲取PDF第一頁，遍歷文檔所有頁便可提取文檔所有文本內(nèi)容
page = pdf.Pages.get_Item(0)

#創(chuàng)建PdfTextExtractor 對(duì)象
textExtractor = PdfTextExtractor(page)

#創(chuàng)建PdfTextExtractOptions 對(duì)象
extractOptions = PdfTextExtractOptions()

# 設(shè)置從矩形區(qū)域提取文本的選項(xiàng)
extractOptions.ExtractArea = RectangleF(80.0, 120.0, 450.0, 120.0)

#從頁面中提取文本
text = textExtractor.ExtractText(extractOptions)

# 寫入到 txt 文件中
extractedText = open("E:/Administrator/Python1/output/提取特定區(qū)域文本.txt", "w", encoding = "utf-8")
extractedText.write(text)

# 釋放對(duì)象
extractedText.close()
pdf.Close()

效果預(yù)覽：

（Python 提取 PDF 中特定區(qū)域的文本）

主要步驟解析：

• 創(chuàng)建新的 PdfDocument 對(duì)象，然后加載一個(gè) PDF 文檔。
• 獲取文檔的第一頁。
• 創(chuàng)建 PdfTextExtractor 和 PdfTextExtractOptions 對(duì)象，用以提取文本。
• 使用 PdfTextExtractOptions.ExtractArea 屬性設(shè)置頁面區(qū)域范圍。
• 通過 PdfTextExtractor.ExtractText() 方法從所指定的頁面區(qū)域中提取文本。

注意事項(xiàng)：extractOptions.ExtractArea = RectangleF(80.0, 120.0, 450.0, 120.0) 中的四個(gè)參數(shù)依次代表矩形區(qū)域的 X 坐標(biāo)、Y 坐標(biāo)、寬度 和 高度。通過調(diào)整這些數(shù)值，你可以靈活控制需要提取文本的區(qū)域位置和大小，確保僅獲取你想要的內(nèi)容。

提取 PDF 中的表格并導(dǎo)出為 CSV

在 PDF 文檔中，表格通常以非結(jié)構(gòu)化的形式存在，直接提取和復(fù)用并不容易，尤其是遇到無邊框、合并單元格或跨頁表格的時(shí)候。本節(jié)我們將介紹如何使用 Spire.PDF 和 Spire.XLS 準(zhǔn)確識(shí)別 PDF 中的表格內(nèi)容，并將其導(dǎo)出為結(jié)構(gòu)化格式，如 Excel 或 CSV，幫助你實(shí)現(xiàn)高效的數(shù)據(jù)處理與復(fù)用。

完整代碼示例 - 提取 PDF 表格并保存為 CSV：

from spire.pdf import *
from spire.pdf.common import *
from spire.xls import *


# 創(chuàng)建 PdfDocument 對(duì)象
doc = PdfDocument()

# 加載 PDF 文檔
doc.LoadFromFile("/Population.pdf")

# 創(chuàng)建 Workbook 對(duì)象
workbook = Workbook()
# 清除默認(rèn)工作表
workbook.Worksheets.Clear()

# 創(chuàng)建 PdfTableExtractor 對(duì)象
extractor = PdfTableExtractor(doc)

sheetNumber = 1

# 遍歷PDF文件中的頁面
for pageIndex in range(doc.Pages.Count):
    # 從當(dāng)前頁面提取表格
    tableList = extractor.ExtractTable(pageIndex)

    # 遍歷表格
    if tableList is not None and len(tableList) > 0:
        for table in tableList:
            # 為當(dāng)前表格添加一個(gè)工作表
            sheet = workbook.Worksheets.Add(f"Sheet{sheetNumber}")

            # 獲取表格的行數(shù)和列數(shù)
            row = table.GetRowCount()
            column = table.GetColumnCount()

            # 遍歷表格的行和列
            for i in range(row):
                for j in range(column):
                    # 獲取當(dāng)前單元格中的文本
                    text = table.GetText(i, j)

                    # 將文本寫入工作表的指定單元格
                    sheet.Range[i + 1, j + 1].Value = text

            sheetNumber += 1

# 將工作簿保存為 Excel 文件
workbook.SaveToFile("/提取表格.csv", FileFormat.CSV)
workbook.Dispose()
doc.Close()

效果預(yù)覽：

（Python 提取 PDF 中的表格并保存為 CSV）

主要步驟解析：

• 創(chuàng)建 PdfDocument 實(shí)例并加載 PDF 文檔。
• 創(chuàng)建 Workbook 實(shí)例。
• 遍歷 PDF 中的所有頁面。
• 使用 PdfTableExtractor.ExtractTable() 方法提取頁面中的表格。
• 遍歷提取的表格，并使用 Workbook.Worksheets.Add() 方法向工作簿中添加工作表。
• 使用 PdfTable.GetText() 方法獲取 PDF 表格單元格中的文本。
• 利用 Worksheet.Range[].Value 屬性將文本寫入工作表的特定單元格。
• 使用 Workbook.SaveToFile() 方法將結(jié)果工作簿保存為 CSV 文件。

注意事項(xiàng)：要將表格保存為 CSV 或 Excel 文件，需要用到 Spire.XLS。你可以通過：pip install spire.xls 將其安裝到設(shè)備上。

快速提取 PDF 文檔中的圖片

在 PDF 文檔中，除了文本和表格，圖片也是常見的內(nèi)容形式，尤其是在宣傳材料、報(bào)告或掃描文檔中更為常見。這些圖片可能是位圖，也可能是矢量圖，提取方式各不相同。本節(jié)將帶你了解如何使用 Spire.PDF 快速識(shí)別并提取頁面中的嵌入圖片，并將其保存為常用格式（如 PNG、JPEG），方便后續(xù)的歸檔、分析或內(nèi)容重用。

完整代碼示例 - 提取 PDF 文檔中的所有圖片：

from spire.pdf.common import *
from spire.pdf import *

# 創(chuàng)建 PdfDocument 對(duì)象
doc = PdfDocument()
# 加載 PDF 文檔
doc.LoadFromFile("/AI繪畫的利與弊.pdf")

# 創(chuàng)建 PdfImageHelper 對(duì)象
image_helper = PdfImageHelper()

image_count = 1
# 遍歷文檔中的頁面
for i in range(doc.Pages.Count):
    # 獲取當(dāng)前頁面中的圖片信息
    images_info = image_helper.GetImagesInfo(doc.Pages[i])

    # 獲取圖片并將其保存為圖片文件
    for j in range(len(images_info)):
        image_info = images_info[j]
        output_file = f"/New folder/image{image_count}.png"
        image_info.Image.Save(output_file)
        image_count += 1

doc.Close()

效果預(yù)覽：

（Python 提取 PDF 中的所有圖片）

主要步驟解析：

• 創(chuàng)建 PdfDocument 實(shí)例并加載一個(gè) PDF 文檔。
• 創(chuàng)建 PdfImageHelper 對(duì)象。
• 遍歷所有頁面。
• 通過 PdfImageHelper.GetImagesInfo(page: PdfPageBase) 方法獲取頁面中的圖片信息。
• 遍歷獲取結(jié)果，使用 PdfImageInfo.Image.Save() 方法將每張圖片保存為圖片文件。

總結(jié)

今天的文章中，我們展示了如何在 Python 中精準(zhǔn)提取 PDF 文檔中的文本、表格和圖片。無論是批量處理合同、公文，還是提取數(shù)據(jù)用于系統(tǒng)集成，Spire 控件都能為開發(fā)者提供穩(wěn)定、高效的支持。隨著文檔數(shù)字化和自動(dòng)化處理需求不斷增長(zhǎng)，掌握這類工具的使用將為日常開發(fā)工作帶來顯著效率提升。

到此這篇關(guān)于Python實(shí)現(xiàn)精準(zhǔn)提取 PDF中的文本,表格與圖片的文章就介紹到這了,更多相關(guān)Python提取 PDF內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論