再见PDF提取收费！我用100行Python代码搞定！去你的收费！

大家在日常的工作和学习过程中都少不了与PDF文件打交道很多的小伙伴都面临着将PDF文件中的文字、图片和表格数据提取出来的问题。能够对PDF文件中的文字、表格等数据进行编辑网上现存的PDF提取的软件都需要付费操作

小编今天就利用百行的python程序来提取PDF文件中的文字、图片和表格数据。一起来看看吧。

01.程序执行效果

python库版本介绍

本次程序涉及到多个python第三方库与python3的内置库而且不同的python库版本对于程序的兼容性不一致因此我们首先来介绍一下使用到的python第三方库版本。

• PySimpleGUI 4.38.0

• pdfminer3k 1.3.4

• pdfplumber 0.5.27

• fitz 0.0.1.dev2

• pandas 1.1.3

02.程序讲解

看过视频之后接下来就进行程序的展示程序的展示主要分为以下的四个方面分别是

• PDF提取文字

• PDF提取图片

• PDF提取表格

• 交互界面的制作

03.PDF提取文字

PDF中文字是只允许我们进行只读但是无法进行更改所以我们要做的就是提取PDF中的文字信息然后将提取到的文字写入到word文件当中让我们能够进行后续的改写。对于文字的提取我们利用的是pdfminer函数库其程序如下图所示

程序首先创建了PDFParser对象来进行PDF文档的分析PDFDocument对象来将资源对象处理成我们需要的格式PDFResourceManager对象用来保存共享数据内容

而PDFPageInterpreter则是用来处理页面的内容。程序中通过for循环来针对PDF文件中的每一页内容进行处理对于每一页的内容通过layout来存储页面解析出来的各种对象

包括文本图片等信息。但是小编发现对于图片的提取pdfminer的效果很不好所以后面针对于图片的提取

小编采用的fitz库进行单独的处理取得很好的图片提取效果。这里我们先来看一下对于文本的处理结果。

我们的pdf是一个两页的pdf文档我们只让程序去提取第一页的文本从上图可以看出程序完整的提取出第一页的文本没有任何的错误。

04.PDF提取图片

对于文字的提取处理完毕后接下来我们就来看一下如何提取pdf中的图片并将其保存到本地。对于图片的提取程序如下图所示

上述的程序中利用fitz库来提取PDF文档中的对象然后通过字符串匹配来判断对象是不是图片类型如果不是的话我们直接进行跳过即可。如果判断对象是图片类型的话我们边可以通过创建PixMap对象来提取图片并保存到我们指定的路径下即可。结果如下图所示

上图可以看出程序正确的将图片进行了提取从而达到了我们的图片提取的目的可以在短短的几秒内完成pdf文档的所有图片的提取。

05.PDF提取表格

对于PDF中表格的提取利用的是pdfplumber库程序如下图所示

程序中通过pdfplumber库读取PDF文件针对于文件中的每一页提取表格数据然后通过pandas将表格数据保存到根目录下的tables文件夹中结果如下图所示。

通过结果的展示可以看出对于PDF中的表格数据程序能够做到较为准确的提取。

06.交互界面的制作

交互界面的制作程序利用的是PySimpleGUI库进行处理其部分程序如下图所示。

PySimpleGUI库集合了tkinterwxpython、PyQt等GUI库的优势其最重要的特点是用简单少量的代码就可以制作出精美的界面。程序执行的可视化界面如下图所示。

07.软件打包

为了方便大家的使用小编将程序打包为exe文件需要注意的是为了减少大家对于exe文件执行时的报错需要在win10(64bit)的环境下进行运行。大家可以下载exe文件直接进行pdf文件内容的提取。

如何获取源码

①3000多本Python电子书有 ②Python开发环境安装教程有 ③Python400集自学视频有 ④软件开发常用词汇有 ⑤Python学习路线图有 ⑥项目源码案例分享有 如果你用得到的话可以直接拿走在我的QQ技术交流群里群号754370353纯技术交流和资源共享广告勿入以自助拿走 点击这里 领取