百度360必应搜狗淘宝本站头条
python类型转换python串口编程python计时python异常python进度条
当前位置：网站首页 > 技术资源 > 正文

Python—PDF文本与图片抽取（python读取pdf图片）

off999 2024-09-21 20:58 41 浏览 0 评论

PDF是人们日常使用最多的跨平台文档。其是一种用独立于应用程序、硬件、操作系统的方式呈现文档的文件格式。每个PDF文件包含固定布局的平面文档的完整描述，包括文本、字形、图形及其他需要显示的信息。因此，具有良好的跨平台特性，但同时，也为抽取其内容带来了不便。

PDF最初版本于1993发行，最新版本为2.0。

今天，我们使得Python来抽取PDF文档中的文本与图片。

文本抽取

PDF文本抽取相对容易，效果最好的是pdfminer（https://github.com/euske/pdfminer）。基本能抽取出所有文本。

pdfminer是开源的纯Python编写，支持最新至PDF 1.7版本。

pdfminer的使用比较简单

安装：

pip install pdfminer

使用：

python pdf2txt.py -o <抽取保存的文本文件名> -t text -O <源pdf文件>

如上就实现了文本抽取，抽取的是纯文本，无格式、字体等信息。

pdfminer有个麻烦的地方，对于CJK编码的PDF文档，需要手动安装也能正常抽取文字。

图片抽取

PDF图片抽取是个比较难的问题，目前Python可以调用的比较好的库是PyMuPDF（https://github.com/pymupdf/PyMuPDF）。PyPDF2（https://github.com/mstamy2/PyPDF2）库也可以实现部分功能，但已于2018年停止更新。

这些库的问题是，无法抽取出所有的图片，同时，抽取出的图片问题不一。

这里以 https://arxiv.org/pdf/1703.10135.pdf 文件为例。

使用PyMuPDF 代码如下：

import fitz  # PyMuPDF

def get_pixmaps_in_pdf(pdf_filename):
    doc = fitz.open(pdf_filename)
    xrefs = set()
    for page_index in range(doc.pageCount):
        for image in doc.getPageImageList(page_index):
            xrefs.add(image[0])  # Add XREFs to set so duplicates are ignored
    pixmaps = [fitz.Pixmap(doc, xref) for xref in xrefs]
    doc.close()
    return pixmaps

def write_pixmaps_to_pngs(pixmaps):
    for i, pixmap in enumerate(pixmaps):
        pixmap.writePNG(f'{i}.png')  # Might want to come up with a better name

pixmaps = get_pixmaps_in_pdf('Wang_et_al_2017_Tacotron.pdf')
write_pixmaps_to_pngs(pixmaps)

抽取效果如下。整篇PDF文档，只抽取出如下的几个图片。

比如，第二页的图片就无法抽取出来。

理想状态下，第6页的图片与示例应该合并一成一张图抽取出来，但实际上是分开抽取。

好的。Python抽取PDF文字与图片的介绍就到这里。

大家有更好的图片抽取工具或方法，欢迎留言贡献，谢谢

相关推荐

笔记本无音频输出设备（笔记本无音频输出设备）

1、没有声卡驱动，解决方法就是找到笔记本的官网，下载电脑声卡的驱动安装即可。2、没有外界的音频播放设备，解决方法就是买一个外界的音频播放设备插到电脑主机的音频接口上即可。笔记本电脑显示未安装任何音频输...

iso文件能用手机打开吗（iso文件能用手机打开吗安全吗）

一般的压缩软件就可以打开的，比如，好压软件，这个打开只是解压形式的，如果你说的是运行iso文件，这个没有，况且安卓系统也不支持iso运行ISO文件一般用于光盘镜像文件的存储，如果想要在手机上运行ISO...

win7系统卡顿怎么优化（win7很慢很卡怎么优化）

1、首先打开安全卫士，进入安全卫士首页，单击软件窗口右下角的“更多”图标，打开扩展应用程序。2、单击选择“我的工具”。3、在我的工具菜单里面找到“人工服务”单击打开人工服务。4、在人工服务对话框有很多...

如何查看c盘微信聊天记录（如何查看c盘微信聊天记录内存大小）

微信群中的消息只要没删除基本都能保存，想要找微信群中几个多月前的消息可以直接根据日期来查找聊天记录。操作如下：1、打开想要查找记录的微信群，点击右上角人形图标；2、点击查找聊天内容；3、选择按日...

office2016家庭版激活密钥（office家庭版激活码2019）

走淘宝吧，因为零售版的密钥只能用一次。大概几块钱就能激活2016。如果你不在乎钱的话可以向我一样，订阅一个office365.实在不行可以和几个人一起买一个家庭版的365.出现这个情况，找微软申诉是没...

移动硬盘驱动器下载安装（移动硬盘驱动器下载安装教程）

1、右键单击您的桌面，选择“新建文件夹”，并命名该文件夹(例如“usb驱动程序”)；2、然后到本站下载驱动程序；3、将其解压缩至在您的桌面上刚刚创建的usb驱动程序文件夹；4、单击开始菜单，然后选择设...

电脑硬盘格式化工具（电脑 格式化硬盘）

硬盘格式化工具很多，PQMACGIG8.0（中文就叫硬盘分区魔法师）是比较好的一个，这个是在WINDOWS下比叫好用，（个人感觉）FDISK也是比较好的一个，这个一般用在DOS下分区格式化WIN...

photoshop是一款什么软件（ps指的是什么软件）

这个说法是错误的，ps软件“即：photoshop”是由美国著名的“adobe阿多比”公司出品的专业的图像处理软件，它不是由微软公司出品的软件。众所周知的是，微软公司以设计视窗操作系统名满全球，它出...

ipad越狱的好处与坏处（ipad越狱好不好）

　　好处一：　　1、重命名、重组应用程序　　如果你看着Sparrow(iOS最优秀邮件客户端)这个名字不爽，越狱之后就可以改成“Email”，如果你觉得“豆瓣电台”这个名字不给力，那就改成“中央人民广...

win7光盘重装系统步骤图解（win7光盘如何重装系统）

1.确认您的电脑支持从光盘启动。如果支持，可以直接将Windows7安装光盘插入电脑的光驱中。 2.打开电脑，按下F2、F10、F12或Delete等键进入BIOS设置界面。 ...

电脑已联网却无法上网（电脑已经联网了但是不能上网）

电脑连上网后，仍可能存在无法上网的情况，这可能是由多种原因造成的。以下是一些可能的原因和解决方法：1.浏览器问题：有时候，浏览器可能会出现故障，导致无法正常访问网络。您可以尝试清除浏览器的缓存和co...

u盘价格一览表（u盘单价）

不同品牌价格不同，不同内存价格也不同，例如8g、16g、32g、64g等多种容量大小的，根据容量的不同，报价在29元到120元之间不等。闪存盘虽然小，但相对来说却有很大的存储容量。U盘大多能够存储比一...

windows查看ip命令（windows如何查看ip地址）

查看电脑IP：    1)使用Windows+R键打开“运行”窗口，然后输入CMD进入命令提示窗口2)进入命令窗口之后，输入：ipconfig/all回车即可...

内存条的作用（内存条的作用和参数配置）

内存条是存储电脑运行所需的数据和程序，帮助CPU快速读取和运行，提高计算机的运行速度和处理能力。内存条也被称为随机存取存储器（RAM），是电脑中非常必要的一个组件。常见的内存条类型有DDR、DDR2、...

autocad2012安装失败（autocad2012无法安装）

如果您遇到CAD2012安装不了的问题，可能有几个原因导致这种情况。以下是一些常见的解决方法：1.确保系统要求：首先，请确保您的计算机符合CAD2012的系统要求。检查您的操作系统版本、内存、处理器...

取消回复欢迎 你 发表评论:

一周热门
最近发表
标签列表
Copyright Your WebSite.Some Rights Reserved.