Python使用pdfminer库玩转PDF文本提取！

admin • • Python学习

Python使用pdfminer库玩转PDF文本提取！

pdfminer是一个开源的Python第三方库,专门用于解析PDF文件,本文主要为大家详细介绍了如何使用pdfminer实现PDF文本提取,有需要的小伙伴可以了解下。

一、背景

在日常工作中，我们常常需要处理PDF文件，比如提取文本内容、分析文档结构等。然而，PDF文件的格式复杂，直接提取信息并非易事。pdfminer库应运而生，它能够高效地解析PDF文件，提取文本、元数据、表格等信息，帮助我们轻松应对各种PDF处理需求。接下来，让我们深入了解这个强大的工具。

二、什么是pdfminer

pdfminer是一个开源的Python第三方库，专门用于解析PDF文件。它提供了丰富的API，可以精确提取文本、分析页面布局、提取元数据等。它的核心功能是将PDF文件的内容转换为可操作的文本数据，方便进一步处理和分析。

三、如何安装pdfminer

pdfminer是一个第三方库，可以通过以下命令行安装：

1
pip install pdfminer.six

安装完成后，可以通过以下命令确认安装是否成功：

1
python -c "import pdfminer; print(pdfminer.__version__)"

如果能够正常输出版本号，说明安装成功。

四、简单库函数使用方法

以下是pdfminer中常用的五个函数及其使用方法：

1. 提取文本

1
2
3
4
from pdfminer.high_level import extract_text
text = extract_text("example.pdf")
print(text)

extract_text函数用于从PDF文件中提取全部文本。

2. 获取页面布局信息

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
from pdfminer.layout import LAParams, LTTextBox, LTTextLine
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
resource_manager = PDFResourceManager()
fake_file_handle = io.StringIO()
converter = PDFPageAggregator(resource_manager, laparams=LAParams())
page_interpreter = PDFPageInterpreter(resource_manager, converter)
​​​​​​​with open("example.pdf", "rb") as pdf_file:
for page in PDFPage.get_pages(pdf_file):
page_interpreter.process_page(page)
layout = converter.get_result()
for lt_obj in layout:
if isinstance(lt_obj, (LTTextBox, LTTextLine)):
text = lt_obj.get_text()
x, y, width, height = lt_obj.bbox
font = lt_obj._objs[0].fontname
font_size = lt_obj._objs[0].size
print(f"Text: {text.strip()}, Position: ({x:.2f}, {y:.2f}), Font: {font}, Size: {font_size:.2f}")

这段代码获取文本块的位置、字体和字号等信息。

3. 提取表格数据

1
2
3
4
5
6
7
8
9
from pdfminer.high_level import extract_text
import tabula
table_text = extract_text("table_example.pdf")
print(table_text)
tables = tabula.read_pdf("table_example.pdf", pages="all")
for df in tables:
print(df)

使用pdfminer提取PDF文档中的表格，并使用tabula提取表格数据。

4. 提取图像

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdftypes import PDFStream
import io
from PIL import Image
​​​​​​​with open('example.pdf', 'rb') as file:
parser = PDFParser(file)
document = PDFDocument(parser)
if document.is_extractable:
for xref in document.xrefs:
if xref.get_subtype() == '/Image':
stream_obj = xref.get_object()
if isinstance(stream_obj, PDFStream):
data = stream_obj.get_rawdata()
image = Image.open(io.BytesIO(data))
image.show()

提取PDF文档中的图像。

5. 提取元数据

1
2
3
4
5
6
7
8
9
10
11
12
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
def extract_metadata(pdf_path):
with open(pdf_path, 'rb') as fh:
parser = PDFParser(fh)
doc = PDFDocument(parser)
metadata = doc.info[0]
for key, value in metadata.items():
print(f"{key}: {value}")
extract_metadata('example.pdf')

提取PDF文件的元数据。

五、实际应用场景

以下是pdfminer在不同场景中的应用示例：

1. 法律文档处理

1
2
3
4
5
6
7
8
from pdfminer.high_level import extract_text
def extract_legal_document_text(pdf_path):
text = extract_text(pdf_path)
return text
text = extract_legal_document_text('legal_document.pdf')
print(text)

在法律行业，通过pdfminer提取和分析法律文档中的文本和元数据，自动生成报告。

2. 财务报表分析

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
from pdfminer.layout import LAParams, LTTextBoxHorizontal
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
def extract_financial_tables(pdf_path):
with open(pdf_path, 'rb') as fh:
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.get_pages(fh, caching=True, check_extractable=True):
interpreter.process_page(page)
layout = device.get_result()
for element in layout:
if isinstance(element, LTTextBoxHorizontal):
print(element.get_text())
​​​​​​​extract_financial_tables('financial_report.pdf')

在财务行业，通过pdfminer提取财务报表中的表格数据，进行自动化的数据分析和处理。

3. 研究论文数据提取

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
from pdfminer.layout import LAParams, LTTextBoxHorizontal, LTFigure
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
def extract_research_paper_content(pdf_path):
with open(pdf_path, 'rb') as fh:
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.get_pages(fh, caching=True, check_extractable=True):
interpreter.process_page(page)
layout = device.get_result()
for element in layout:
if isinstance(element, LTTextBoxHorizontal):
print(element.get_text())
elif isinstance(element, LTFigure):
print("Figure found")
​​​​​​​extract_research_paper_content('research_paper.pdf')

在学术研究中，通过pdfminer提取研究论文中的文本和图表信息，辅助研究分析。

4. 文本逐页提取

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from io import StringIO
def extract_text_by_page(pdf_path):
resource_manager = PDFResourceManager()
fake_file_handle = StringIO()
converter = TextConverter(resource_manager, fake_file_handle)
page_interpreter = PDFPageInterpreter(resource_manager, converter)
with open(pdf_path, 'rb') as fh:
for page in PDFPage.get_pages(fh, caching=True, check_extractable=True):
page_interpreter.process_page(page)
text = fake_file_handle.getvalue()
yield text
converter.close()
fake_file_handle.close()
​​​​​​​for page_text in extract_text_by_page('example.pdf'):
print(page_text)

逐页提取PDF文件中的文本，适用于需要逐页处理的情况。

5. 提取目录

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument, PDFNoOutlines
def extract_toc(pdf_path):
with open(pdf_path, 'rb') as file:
parser = PDFParser(file)
document = PDFDocument(parser)
try:
outlines = document.get_outlines()
toc = []
for (level, title, dest, a, se) in outlines:
toc.append((level, title))
return toc
except PDFNoOutlines:
return []
​​​​​​​toc = extract_toc('example.pdf')
for item in toc:
print(f"Level: {item[0]}, Title: {item[1]}")

提取PDF文档的目录，方便快速定位文档结构。

六、常见问题及解决方案

以下是使用pdfminer时常见的问题及解决方案：

文本提取为空

错误信息 ：extract_text返回空字符串。

原因 ：PDF文件可能包含非文本内容，或者文本被嵌入为图像。

解决方案 ：检查PDF文件的内容，确保文本是可提取的。如果文本嵌入为图像，可以尝试使用OCR工具（如`pytesseract

以上就是Python使用pdfminer库玩转PDF文本提取的详细内容。

 

 

学习资料见知识星球。

以上就是今天要分享的技巧，你学会了吗？若有什么问题，欢迎在下方留言。

快来试试吧，小琥 my21ke007。获取 1000个免费 Excel模板福利​​​​！

更多技巧， www.excelbook.cn

欢迎 加入 零售创新 知识星球，知识星球主要以数据分析、报告分享、数据工具讨论为主；

Excelbook.cn Excel技巧 SQL技巧 Python 学习！

你将获得：

1、价值上万元的专业的PPT报告模板。

2、专业案例分析和解读笔记。

3、实用的Excel、Word、PPT技巧。

4、VIP讨论群，共享资源。

5、优惠的会员商品。

6、一次付费只需129元，即可下载本站文章涉及的文件和软件。

文章版权声明 1、本网站名称：Excelbook
2、本站永久网址：http://www.excelbook.cn
3、本网站的文章部分内容可能来源于网络，仅供大家学习与参考，如有侵权，请联系站长王小琥进行删除处理。
4、本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
5、本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现请向站长举报。
6、本站资源大多存储在云盘，如发现链接失效，请联系我们我们会第一时间更新。

THE END
分享
二维码
< <上一篇
下一篇>>