PDF文件格式

如今，可移植文檔格式（PDF）屬于最常用的數(shù)據(jù)格式。在1990年，PDF文檔的結(jié)構(gòu)由Adobe定義。PDF格式的思想是，對(duì)于通信過程中涉及的雙方（創(chuàng)建者，作者或發(fā)送者以及接收者）而言，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，模塊和庫的可用解決方案范圍有些混亂，需要花一點(diǎn)時(shí)間弄清楚什么是什么，以及哪些項(xiàng)目需要連續(xù)維護(hù)。根據(jù)我們的研究，以下是最新的候選人：

• PyPDF2：一個(gè)Python庫，用于提取文檔信息和內(nèi)容，逐頁拆分文檔，合并文檔，裁剪頁面并添加水印。PyPDF2支持未加密和加密的文檔。

• PDFMiner：完全用Python編寫，適用于Python 2.4。對(duì)于Python 3，請(qǐng)使用克隆的包PDFMiner.six。這兩個(gè)軟件包都允許您解析，分析和轉(zhuǎn)換PDF文檔。這包括對(duì)PDF 1.7以及CJK語言（中文，日文和韓文）的支持，以及各種字體類型（Type1，TrueType，Type3和CID）。

• pdflib for Python：Poppler庫的擴(kuò)展，為它提供了Python綁定。它使您可以解析，分析和轉(zhuǎn)換PDF文檔。不要將其與具有相同名稱的商業(yè)吊墜相混淆。

• PyFPDF：一個(gè)在Python下生成PDF文檔的庫。從FPDF PHP庫移植而來，這是著名的PDFlib擴(kuò)展替換，其中包含許多示例，腳本和派生類。

• PDFTables：一項(xiàng)商業(yè)服務(wù)，提供從PDF文檔附帶的表格中提取的內(nèi)容。提供一個(gè)API，以便PDFTables可以用作SAAS。

• PyX -Python圖形包：PyX是用于創(chuàng)建PostScript，PDF和SVG文件的Python包。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(fù)雜的任務(wù)，例如以可發(fā)布的質(zhì)量創(chuàng)建2D和3D繪圖。

• ReportLab：一個(gè)雄心勃勃的，具有行業(yè)實(shí)力的圖書館，主要致力于精確創(chuàng)建PDF文檔。免費(fèi)提供開放源代碼版本和名為ReportLab PLUS的商業(yè)增強(qiáng)版本。

• PyMuPDF（又稱“ fitz”）：MuPDF的Python綁定，這是一種輕量級(jí)的PDF和XPS查看器。該庫可以訪問PDF，XPS，OpenXPS，epub，漫畫和小說書格式的文件，并且以其最佳性能和高渲染質(zhì)量而聞名。

• pdfrw：一個(gè)基于Python的純PDF解析器，用于讀寫PDF。它忠實(shí)地再現(xiàn)矢量格式而無需光柵化。與ReportLab結(jié)合使用時(shí)，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。

我們將重點(diǎn)介紹PyPDF2和PyMuPDF，并說明如何以最簡(jiǎn)單的方式提取文本和圖像。為了了解PyPDF2的用法，官方文檔和許多其他資源提供的示例的組合對(duì)您有所幫助。相比之下，官方PyMuPDF文檔更加清晰，并且使用該庫的速度也大大加快。

使用PyPDF2提取文本

$ pip3 install PyPDF2

清單1首先導(dǎo)入了PdfFileReader該類。接下來，使用該類打開文檔，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。

請(qǐng)注意，PyPDF2從0開始計(jì)數(shù)頁面，這就是該調(diào)用pdf.getPage(0)檢索文檔第一頁的原因。最終，提取的信息被打印到stdout。

清單1：提取文檔信息和內(nèi)容。

#!/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，提取的文本是連續(xù)打印的。沒有段落或句子分隔。如PyPDF2文檔中所述，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(huì)導(dǎo)致一些意外。這主要取決于PDF文檔的內(nèi)部結(jié)構(gòu)，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，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，打印頁數(shù)以及提取PDF文檔的文本的方式與PyPDF2相似（請(qǐng)參見清單2）。要導(dǎo)入的模塊名為fitz，并返回到PyMuPDF的先前名稱。

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(diǎn)是可以保持原始文檔結(jié)構(gòu)完整-帶有換行符的整個(gè)段落都保留在PDF文檔中（參見圖2）。

使用PyMuPDF從PDF提取圖像

PyMuPDF使用該方法簡(jiǎn)化了從PDF文檔提取圖像的過程getPageImageList()。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。如果圖像具有CMYK色彩空間，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P(yáng)DF上運(yùn)行此Python腳本，它在不到3秒的時(shí)間內(nèi)提取了117張圖像，這真是了不起。單個(gè)圖像以PNG格式存儲(chǔ)。為了保持原始圖像的格式和大小，而不是轉(zhuǎn)換為PNG，請(qǐng)查看PyMuPDF Wiki中腳本的擴(kuò)展版本。

圖3：提取的圖像

使用PyPDF2將PDF拆分為頁面

對(duì)于此示例，首先需要同時(shí)導(dǎo)入PdfFileReader和和PdfFileWriter類。然后，我們打開PDF文件，創(chuàng)建一個(gè)閱讀器對(duì)象，并使用閱讀器對(duì)象的getNumPages方法遍歷所有頁面。

在for循環(huán)內(nèi)部，我們創(chuàng)建的新實(shí)例PdfFileWriter，該實(shí)例尚不包含任何頁面。然后，使用pdfWriter.addPage()方法將當(dāng)前頁面添加到我們的writer對(duì)象。此方法接受一個(gè)頁面對(duì)象，我們使用該PdfFileReader.getPage()方法獲取該對(duì)象。

下一步是創(chuàng)建一個(gè)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。我們?cè)诋?dāng)前頁碼上加1，因?yàn)镻yPDF2會(huì)計(jì)算從零開始的頁碼。

最后，我們以“寫二進(jìn)制”模式（mode wb）打開新文件名，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(gè)頁面。

#!/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(gè)用例非常實(shí)用，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。頁面一頁接一頁地加載，借助該searchFor()方法，將檢測(cè)到搜索字符串的所有出現(xiàn)情況。如果匹配則在上面印有相應(yīng)的信息stdout。

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。

結(jié)論

此處顯示的處理PDF方法非常強(qiáng)大。使用相對(duì)較少的代碼行數(shù)，很容易獲得結(jié)果。