PDF文件格式
如今凌节，可移植文檔格式（PDF）屬于最常用的數(shù)據(jù)格式。在1990年洒试，PDF文檔的結(jié)構(gòu)由Adobe定義倍奢。PDF格式的思想是，對于通信過程中涉及的雙方（創(chuàng)建者垒棋，作者或發(fā)送者以及接收者）而言卒煞，傳輸?shù)臄?shù)據(jù)/文檔看起來完全相同。
工具和庫
適用于Python的PDF工具叼架，模塊和庫的可用解決方案范圍有些混亂畔裕，需要花一點時間弄清楚什么是什么，以及哪些項目需要連續(xù)維護乖订。根據(jù)我們的研究扮饶，以下是最新的候選人：
PyPDF2：一個Python庫，用于提取文檔信息和內(nèi)容乍构，逐頁拆分文檔甜无，合并文檔，裁剪頁面并添加水印哥遮。PyPDF2支持未加密和加密的文檔岂丘。
PDFMiner：完全用Python編寫，適用于Python 2.4眠饮。對于Python 3奥帘，請使用克隆的包PDFMiner.six。這兩個軟件包都允許您解析君仆，分析和轉(zhuǎn)換PDF文檔翩概。這包括對PDF 1.7以及CJK語言（中文，日文和韓文）的支持返咱，以及各種字體類型（Type1，TrueType牍鞠，Type3和CID）咖摹。
pdflib for Python：Poppler庫的擴展，為它提供了Python綁定难述。它使您可以解析萤晴，分析和轉(zhuǎn)換PDF文檔吐句。不要將其與具有相同名稱的商業(yè)吊墜相混淆。
PyFPDF：一個在Python下生成PDF文檔的庫店读。從FPDF PHP庫移植而來嗦枢，這是著名的PDFlib擴展替換，其中包含許多示例屯断，腳本和派生類文虏。
PDFTables：一項商業(yè)服務，提供從PDF文檔附帶的表格中提取的內(nèi)容殖演。提供一個API氧秘，以便PDFTables可以用作SAAS。
PyX -Python圖形包：PyX是用于創(chuàng)建PostScript趴久，PDF和SVG文件的Python包丸相。它結(jié)合了PostScript繪圖模型的抽象和TeX / LaTeX接口。這些基元可以構(gòu)建復雜的任務彼棍，例如以可發(fā)布的質(zhì)量創(chuàng)建2D和3D繪圖灭忠。
ReportLab：一個雄心勃勃的，具有行業(yè)實力的圖書館座硕，主要致力于精確創(chuàng)建PDF文檔弛作。免費提供開放源代碼版本和名為ReportLab PLUS的商業(yè)增強版本。
PyMuPDF（又稱“ fitz”）：MuPDF的Python綁定坎吻，這是一種輕量級的PDF和XPS查看器缆蝉。該庫可以訪問PDF，XPS瘦真，OpenXPS刊头，epub，漫畫和小說書格式的文件诸尽，并且以其最佳性能和高渲染質(zhì)量而聞名原杂。
pdfrw：一個基于Python的純PDF解析器，用于讀寫PDF您机。它忠實地再現(xiàn)矢量格式而無需光柵化穿肄。與ReportLab結(jié)合使用時，它有助于在使用ReportLab創(chuàng)建的新PDF中重用現(xiàn)有PDF的一部分际看。
| 圖書館 | 用于 |
|---|---|
| PyPDF2 | 讀 |
| PyMuPDF | 讀 |
| pdflib | 讀 |
| PDF表格 | 讀 |
| PDFMiner.six | 讀 |
| PDF查詢 | 讀 |
| pdfrw | 讀咸产，寫/創(chuàng)作 |
| PyFPDF | 寫/創(chuàng)作 |
我們將重點介紹PyPDF2和PyMuPDF，并說明如何以最簡單的方式提取文本和圖像仲闽。為了了解PyPDF2的用法脑溢，官方文檔和許多其他資源提供的示例的組合對您有所幫助。相比之下赖欣，官方PyMuPDF文檔更加清晰屑彻，并且使用該庫的速度也大大加快验庙。
使用PyPDF2提取文本
$ pip3 install PyPDF2
清單1首先導入了PdfFileReader該類。接下來社牲，使用該類打開文檔粪薛，并使用getDocumentInfo()方法提取文檔信息，使用提取頁數(shù)getDocumentInfo()以及第一頁的內(nèi)容搏恤。
請注意违寿，PyPDF2從0開始計數(shù)頁面，這就是該調(diào)用pdf.getPage(0)檢索文檔第一頁的原因挑社。最終陨界，提取的信息被打印到stdout。
清單1：提取文檔信息和內(nèi)容痛阻。
#!/usr/bin/python
from PyPDF2 import PdfFileReader
pdf_document = "example.pdf"
with open(pdf_document, "rb") as filehandle:
pdf = PdfFileReader(filehandle)
info = pdf.getDocumentInfo()
pages = pdf.getNumPages()
print (info)
print ("number of pages: %i" % pages)
page1 = pdf.getPage(0)
print(page1)
print(page1.extractText())
如上面的圖1所示菌瘪，提取的文本是連續(xù)打印的。沒有段落或句子分隔阱当。如PyPDF2文檔中所述俏扩，所有文本數(shù)據(jù)都按照在頁面內(nèi)容流中提供的順序返回，并且依靠它可能會導致一些意外弊添。這主要取決于PDF文檔的內(nèi)部結(jié)構(gòu)录淡，以及PDF編寫器過程如何生成PDF指令流。
使用PyMuPDF提取文本
可從PyPi網(wǎng)站上獲取PyMuPDF油坝，并在終端中使用以下命令安裝軟件包：
$ pip3 install PyMuPDF
顯示文檔信息嫉戚，打印頁數(shù)以及提取PDF文檔的文本的方式與PyPDF2相似（請參見清單2）。要導入的模塊名為fitz澈圈，并返回到PyMuPDF的先前名稱彬檀。
清單2：使用PyMuPDF從PDF文檔中提取內(nèi)容。
#!/usr/bin/python
import fitz
pdf_document = "example.pdf"
doc = fitz.open(pdf_document)
print ("number of pages: %i" % doc.pageCount)
print(doc.metadata)
page1 = doc.loadPage(0)
page1text = page1.getText("text")
print(page1text)
PyMuPDF的優(yōu)點是可以保持原始文檔結(jié)構(gòu)完整-帶有換行符的整個段落都保留在PDF文檔中（參見圖2）瞬女。
使用PyMuPDF從PDF提取圖像
PyMuPDF使用該方法簡化了從PDF文檔提取圖像的過程getPageImageList()窍帝。清單3基于PyMuPDF Wiki頁面上的示例，并逐頁地將PDF中的所有圖像提取并保存為PNG文件诽偷。如果圖像具有CMYK色彩空間坤学，則將首先將其轉(zhuǎn)換為RGB。
清單3：提取圖像
#!/usr/bin/python
import fitz
pdf_document = fitz.open("file.pdf")
for current_page in range(len(pdf_document)):
for image in pdf_document.getPageImageList(current_page):
xref = image[0]
pix = fitz.Pixmap(pdf_document, xref)
if pix.n < 5: # this is GRAY or RGB
pix.writePNG("page%s-%s.png" % (current_page, xref))
else: # CMYK: convert to RGB first
pix1 = fitz.Pixmap(fitz.csRGB, pix)
pix1.writePNG("page%s-%s.png" % (current_page, xref))
pix1 = None
pix = None
在400頁PDF上運行此Python腳本报慕，它在不到3秒的時間內(nèi)提取了117張圖像深浮，這真是了不起。單個圖像以PNG格式存儲眠冈。為了保持原始圖像的格式和大小略号，而不是轉(zhuǎn)換為PNG，請查看PyMuPDF Wiki中腳本的擴展版本洋闽。
使用PyPDF2將PDF拆分為頁面
對于此示例玄柠，首先需要同時導入PdfFileReader和和PdfFileWriter類。然后诫舅，我們打開PDF文件羽利，創(chuàng)建一個閱讀器對象，并使用閱讀器對象的getNumPages方法遍歷所有頁面刊懈。
在for循環(huán)內(nèi)部这弧，我們創(chuàng)建的新實例PdfFileWriter，該實例尚不包含任何頁面虚汛。然后匾浪，使用pdfWriter.addPage()方法將當前頁面添加到我們的writer對象。此方法接受一個頁面對象卷哩，我們使用該PdfFileReader.getPage()方法獲取該對象蛋辈。
下一步是創(chuàng)建一個唯一的文件名，我們使用原始文件名加上單詞“ page”以及頁碼來完成将谊。我們在當前頁碼上加1冷溶，因為PyPDF2會計算從零開始的頁碼。
最后尊浓，我們以“寫二進制”模式（mode wb）打開新文件名逞频，并使用該類的write()方法pdfWriter將提取的頁面保存到磁盤。
清單4：將PDF拆分為單個頁面栋齿。
#!/usr/bin/python
from PyPDF2 import PdfFileReader, PdfFileWriter
pdf_document = "example.pdf"
pdf = PdfFileReader(pdf_document)
for page in range(pdf.getNumPages()):
pdf_writer = PdfFileWriter()
current_page = pdf.getPage(page)
pdf_writer.addPage(current_page)
outputFilename = "example-page-{}.pdf".format(page + 1)
with open(outputFilename, "wb") as out:
pdf_writer.write(out)
print("created", outputFilename)
查找所有包含文本的頁面
這個用例非常實用苗胀，并且工作方式類似于pdfgrep。該腳本使用PyMuPDF返回包含給定搜索字符串的所有頁碼瓦堵。頁面一頁接一頁地加載基协，借助該searchFor()方法，將檢測到搜索字符串的所有出現(xiàn)情況谷丸。如果匹配則在上面印有相應的信息stdout堡掏。
清單5：搜索給定的文本。
#!/usr/bin/python
import fitz
filename = "example.pdf"
search_term = "invoice"
pdf_document = fitz.open(filename):
for current_page in range(len(pdf_document)):
page = pdf_document.loadPage(current_page)
if page.searchFor(search_term):
print("%s found on page %i" % (search_term, current_page))
下面的圖5顯示了一本400頁的書中“ Debian GNU / Linux”一詞的搜索結(jié)果刨疼。
結(jié)論
此處顯示的處理PDF方法非常強大泉唁。使用相對較少的代碼行數(shù)，很容易獲得結(jié)果揩慕。
