点击下方卡片，关注“小白玩转Python”公众号

PDF 解析和文本提取

首先，我们需要揭开的秘密是 PDF 解析和文本提取。你是否曾经想过如何从 PDF 中提取有用信息？别担心，Python 可以帮助你。我们可以使用像 PyPDF2、FPDF 和 reportlab 这样的神奇库来解析 PDF 文件，然后从中提取文本信息。

以下是 PyPDF2、FPDF 和 reportlab 库的介绍：

  • PyPDF2 库：PyPDF2 是一个用于处理 PDF 文件的 Python 库。它提供了包括合并、拆分、旋转、提取文本、提取页面、添加水印等在内的多种功能。你可以使用 PyPDF2 库来读取 PDF 文件的内容，并提取文本和图像；你还可以用它来创建新的 PDF 文件或修改现有的 PDF 文件。它是一个功能丰富且易于使用的库，适合各种 PDF 操作需求。

  • FPDF：FPDF 是一个用于创建 PDF 文件的 Python 库。它允许你使用 Python 代码生成包含文本、图像、表格图形等元素的标准 PDF 文档。FPDF 简单易用；适合基本的 PDF 生成需求。你可以使用 FDPF 来创建报告文档、证书、发票等。

  • reportlab：reportlab 是一个强大且灵活的 Python 库，用于创建复杂的 PDF 文档。它提供了丰富的功能来处理文本、图像、表格、图形、字体等，并支持高级布局和样式。reportlab 是一个广泛使用的库，适合生成专业的 PDF 报告、书籍、数据可视化等。

首先安装模块：

pip install PyPDF2 FPDF reportlab

安装完成后，你就可以愉快地玩转 PDF 文件了。

特别说明：在学习本模块的 API 时，需要注意一个问题。在 3.0.0 版本中，PdfFileReader、PdfFileWriter 和 PdfFileMerger 类将被移除。建议使用 PdfReader、PdfWriter 和 PdfMerger 代替。

我已经安装了 PyPDF2（版本 3.0.1），只有以下代码才能正确运行。大家需要注意版本兼容性问题。

import PyPDF2


# Open PDF file
with open('example.pdf', 'rb') as file:
  # Create a PDF reader object
  reader = PyPDF2.PdfReader(file)
  
  # Get the number of pages in a PDF file.
  num_pages = len(reader.pages)
  
  # Extract text content page by page and print.
  for page_num in range(num_pages):
    page = reader.pages[page_num]
    text = page.extract_text()
    print(text)

合并和拆分 PDF

接下来是我们的第二招：PDF 合并和拆分。想象一下，你手中有很多 PDF 文件，你可以使用 Python 轻松地将它们合并成一个整洁的 PDF，或者将一个大文件拆分成多个较小的文件。让我们试试这段有趣的代码：

from PyPDF2 import PdfMerger, PdfReader, PdfWriter


# Create a PDF merger
merger = PdfMerger()


# Merge multiple PDF files
merger.append('example.pdf')
merger.append('file2.pdf')


# Save the merged file.
merger.write('merged.pdf')
merger.close()


# Split a PDF file
with open('merged.pdf', 'rb') as file:
    reader = PdfReader(file)
    num_pages = len(reader.pages)
  
    # Split every 10 pages into one file.
    for start in range(0, num_pages, 10):
        end = min(start + 9, num_pages - 1)
        writer = PdfWriter()
    
        # Add specified range of pages to a new file.
        for page_num in range(start, end + 1):
            writer.add_page(reader.pages[page_num])
    
        # Save the split files.
        with open(f'part_{start+1}-{end+1}.pdf', 'wb') as output_file:
            writer.write(output_file)


print("Ta-da! The magic of merging and splitting is complete.！")

PDF 表单处理

第三项技能是 PDF 表单处理。我们都知道，填写大量 PDF 表单是一项非常繁琐的任务，但别担心，Python 的魔法助手在这里！我们可以使用像 PyPDF2、pdfw 和 FPDF 这样有趣的库来自动填写表单字段、读取填写的数据或生成全新的 PDF 表单。去试试吧！

from PyPDF2 import PdfReader, PdfWriter


from reportlab.pdfgen import canvas


# Automatically fill in form fields
def fill_form(input_file, output_file, data):
    c = canvas.Canvas(output_file)
    c.setFont("Helvetica", 12)
    
    # Read input file, process page by page.
    reader = PdfReader(input_file)
    for page_num, page in enumerate(reader.pages, start=1):
        # Obtain the size of the page and create a canvas of corresponding size.
        page_width = float(page.mediabox.width)
        page_height = float(page.mediabox.width)
        c.setPageSize((page_width, page_height))
        
        # Draw page content
        c.showPage()
        
        # Check if the page has form fields.
        if '/Annots' in page:
            # Traverse all form fields
            for annot in page['/Annots']:
                # Check the field type as text area.
                if '/T' in annot and '/V' in annot and annot['/Type'] == '/Annot':
                    field_name = annot['/T'][1:-1]  # Get field name
                    # Replace the field value with the incoming data.
                    if field_name in data:
                        field_value = data[field_name]
                        c.drawString(annot['/Rect'][0], annot['/Rect'][1], field_value)
    
    # Save the PDF with filled data.
    c.save()


# Read the filled data.
def read_form_data(input_file):
    data = {}
    reader = PdfReader(input_file)
    
    # Traverse all pages.
    for page in reader.pages:
        # Check if there are form fields.
        if '/Annots' in page:
            # Traverse all form fields
            for annot in page['/Annots']:
                # Check the field type as text area.
                if '/T' in annot and '/V' in annot and annot['/Type'] == '/Annot':
                    field_name = annot['/T'][1:-1]  # Get field name
                    field_value = annot['/V'][1:-1] if isinstance(annot['/V'], str) else ''
                    data[field_name] = field_value
    
    return data


# Create a new PDF form
def create_form(output_file, data):
    c = canvas.Canvas(output_file)
    c.setFont("Helvetica", 12)
    
    # Add data line by line to the form.
    y = 800
    for field, value in data.items():
        c.drawString(50, y, f"{field}: {value}")
        y -= 20
    
    # Save form
    c.save()


# Fill in the form fields and save.
fill_form('form_template.pdf', 'filled_form.pdf', {'name': 'joe', 'age': '18'})


# Read the filled data and print.
form_data = read_form_data('filled_form.pdf')
print(form_data)


# Create a new PDF form
create_form('my_form.pdf', {'name': 'joe', 'age': '18'})


print("Magic completed! Now you can easily handle PDF forms!")

PDF 文档转换

下一个魔法是 PDF 文档转换。有时 PDF 的格式可能不太方便，你可能想将 PDF 转换为其他格式，如图像、HTML 或纯文本。让我们一起探索转换的魔法吧！在将 PDF 文档转换为另一种格式时，你可以使用不同的库和工具来实现。以下是每种转换类型的理论解释以及相应的示例代码：

1. 将 PDF 转换为图像

要将 PDF 转换为图像，你可以使用 pdf2image 库。这个库可以将 PDF 页面转换为图像格式（如 JPEG、PNG 等）。以下是将 PDF 转换为图像的示例代码：

from pdf2image import convert_from_path


def pdf_to_image(input_file, output_file):
    images = convert_from_path(input_file)
    for i, image in enumerate(images):
        image.save(f'{output_file}_{i}.jpg', 'JPEG')


pdf_to_image('input.pdf', 'output_image')

你可以调用 pdf_to_image 函数将输入的 PDF 文件转换为图像，并以 JPEG 格式图像文件保存结果。

注意：如果你遇到 pdf2image.exceptions.PDFInfoNotInstalledError 错误消息。这个错误通常发生在缺少 poppler-utils 依赖时。要解决这个问题，请根据你的操作系统按照以下步骤操作：

Windows：

  1. 访问以下网站：

    https://github.com/oschwartz10612/poppler-windows/releases/

  2. 在“Assets”部分下载适合你的操作系统的 poppler-x.x.x_x 版本。

  3. 解压缩下载的文件，并将它的路径添加到系统环境变量中。

macOS：

通过 Homebrew 安装 Poppler。运行以下命令：

brew install poppler

Ubuntu/Debian：

安装 Poppler。运行以下命令：

sudo apt-get install poppler-utils

安装完成后，请重新启动你的 Python 环境，然后再次尝试运行 pdf_to_image 函数。这样，你将能够成功地将 PDF 转换为图像。

2. 将 PDF 转换为 HTML

如果你想将 PDF 文件转换为 HTML 格式，你可以使用支持 PDF 解析的库，如 PyPDF2。以下是将 PDF 转换为 HTML 的示例代码：

from PyPDF2 import PdfReader


def pdf_to_html(input_file, output_file):
    with open(input_file, 'rb') as file:
        reader = PdfReader(file)
        text = ""
        
        # Extract text content page by page
        for page in reader.pages:
            text += page.extract_text()
        
        # Save as HTML file
        with open(output_file, 'w') as html_file:
            html_file.write(f"<html><body>{text}</body></html>")


pdf_to_html('input.pdf', 'output.html')

你可以调用 pdf_to_html 函数将输入的 PDF 文件转换为 HTML 格式，并将结果保存到输出文件中。

3. 将 PDF 转换为纯文本

要将 PDF 转换为纯文本格式，你可以使用 pdfminer 库。它是一个从 PDF 文档中提取文本的强大工具。以下是将 PDF 转换为纯文本的示例代码：

pdfminer.six 库：这是 pdfminer 库的新版本，专门为 Python 3 编写。它是 PDF 解析的现代实现，并持续进行维护和更新。pdfminer.six 库兼容 Python 2 和 Python 3，因此它可以在 Python 的更新版本中使用，同时也支持一些较旧的版本。

安装依赖项：使用 pdfminer.six 库

pip install pdfminer.six

示例代码：

from pdfminer.high_level import extract_text_to_fp


def pdf_to_text(input_file, output_file):
    with open(output_file, 'w') as text_file:
        with open(input_file, 'rb') as file:
            extract_text_to_fp(file, text_file)


pdf_to_text('input.pdf', 'output.txt')

你可以调用 pdf_to_text 函数将输入的 PDF 文件转换为纯文本格式，并将结果保存到输出文件中。

4. 将 PDF 转换为 Word 文档

要将 PDF 转换为 Word 文档，你可以使用第三方库 python-docx，它可以用来创建和编辑 Word 文档。以下是 python-docx 库的介绍：

  • python-docx 库：python-docx 是一个用于创建和修改 Microsoft Word 文档的 Python 库。它提供了一个简单而强大的 API，允许你通过代码创建、修改和操作 Word 文档。使用 python-docx，你可以添加段落、字体样式、表格、图像等内容。你还可以修改现有文档的样式和内容。它支持 Word 2007 及更高版本的 docx 文件格式。

安装依赖项：

pip install python-docx PyPDF2

以下是将 PDF 转换为 Word 文档的示例代码：

from docx import Document
from PyPDF2 import PdfReader


def pdf_to_word(input_file, output_file):
    with open(input_file, 'rb') as file:
        reader = PdfReader(file)
        text = ""
        
        # Extract text content page by page
        for page in reader.pages:
            text += page.extract_text()
        
        # Create Word document
        doc = Document()
        doc.add_paragraph(text)
        
        # Save as Word document
        doc.save(output_file)


pdf_to_word('input.pdf', 'output.docx')

你可以调用 pdf_to_word 函数将输入的 PDF 文件转换为 Word 文档，并将结果保存到输出文件中。请确保在运行上述示例代码之前已安装相应的库和依赖项。你可以使用 pip 命令安装任何缺失的库。

PDF 水印和签名

接下来是 PDF 水印和数字签名的魔法！想象一下，为 PDF 文件添加水印或数字签名可以增强版权保护和安全性：

from PyPDF2 import PdfReader, PdfWriter
from reportlab.pdfgen import canvas
import io


# Add watermark to PDF
def add_watermark(input_file, output_file, watermark_text):
    reader = PdfReader(input_file)
    writer = PdfWriter()


    watermark_buffer = io.BytesIO()


    # Create a PDF with watermark.
    c = canvas.Canvas(watermark_buffer)
    c.setFont("Helvetica", 48) # Pay attention to the choice of font.
    c.rotate(45)
    c.translate(-500, -500)
    c.setFillAlpha(0.3)
    c.drawString(400, 400, watermark_text)
    c.save()


    watermark_buffer.seek(0)
    watermark_pdf = PdfReader(watermark_buffer)


    # Traverse each page.
    for i, page in enumerate(reader.pages, start=1):
        watermark_page = watermark_pdf.pages[0]


        # Add watermark to the page
        page.merge_page(watermark_page)
        writer.add_page(page)


    # Save the file with watermark.
    with open(output_file, 'wb') as file:
        writer.write(file)


# Add digital signature to PDF
def add_signature(input_file, output_file, signature_image):
    reader = PdfReader(input_file)
    writer = PdfWriter()


    # Traverse each page.
    for i, page in enumerate(reader.pages, start=1):
        # Add a signature image to the bottom right corner of the page.
        page.merge_page(signature_image)
        writer.add_page(page)


    # Save the document with a signature.
    with open(output_file, 'wb') as file:
        writer.write(file)


# Use the functions add_watermark() and add_signature() to add watermark and signature.
watermark_text = "Confidential document, do not disclose."
signature_image = PdfReader("signature.pdf").pages[0]


add_watermark('part_21-30.pdf', 'document_with_watermark.pdf', watermark_text)
add_signature('document_with_watermark.pdf', 'document_with_watermark_and_signature.pdf', signature_image)


print("Watermark and signature magic completed! You can now make your PDF files more secure and professional!")

PDF 报告生成

现在，我们准备探索最后一块魔法！PDF 报告生成，想象一下使用 Python 的力量生成各种漂亮的 PDF 报告，包括图表、表格和文本。

依赖项安装：

pip install pytesseract
import matplotlib.pyplot as plt
from reportlab.lib.pagesizes import A4
from reportlab.platypus import SimpleDocTemplate, Table, Image
from reportlab.lib.styles import getSampleStyleSheet
from reportlab.platypus import Paragraph, Spacer


# Create report content
def create_report(output_file, data):
    # Create PDF document object
    doc = SimpleDocTemplate(output_file, pagesize=A4)


    # Load stylesheet
    styles = getSampleStyleSheet()


    # Create report content elements
    elements = []


    # Add title
    title = Paragraph("Sales report", styles["Title"])
    elements.append(title)
    elements.append(Spacer(1, 20))


    # Add table
    table_data = data
    table = Table(table_data)
    elements.append(table)
    elements.append(Spacer(1, 20))


    # Generate charts and save as PNG images
    plt.plot(data[1][1:], marker='o')
    plt.xlabel("date")
    plt.ylabel("Sales revenue")
    plt.title("Sales Trend Chart")
    plt.savefig("sales_plot.png")
    plt.close()


    # Add charts to the report content.
    image = Image("sales_plot.png", width=400, height=300)
    elements.append(image)


    # Generate report
    doc.build(elements)


# Create report data
report_data = [
    ["date", "Sales revenue"],
    ["1/1", 100],
    ["1/2", 200],
    ["1/3", 150],
    ["1/4", 300],
]


# Generate report
create_report('sales_report.pdf', report_data)


print("Table generation completed! Now you can view the generated report file.")

OCR（光学字符识别）

最后一块魔法是 OCR（光学字符识别）。想象一下，你有一些扫描的 PDF 文档，需要将文本转换为可搜索和可编辑的文本。好消息是，Python 可以帮助你实现这一点！让我们一起体验这个神奇的咒语吧！

import pdf2image
import pytesseract


# Convert PDF to image
def pdf_to_image(input_file):
    images = pdf2image.convert_from_path(input_file)
    return images


# Use OCR to convert images into text.
def image_to_text(image):
    text = pytesseract.image_to_string(image)
    return text


# Save the text to a file
def save_text_to_file(text, output_file):
    with open(output_file, 'w', encoding='utf-8') as file:
        file.write(text)


# Extract text from PDF.
def extract_text_from_pdf(input_file, output_file):
    # Convert PDF to image
    images = pdf_to_image(input_file)
    
    extracted_text = ""
    
    # Extract text from each image.
    for image in images:
        text = image_to_text(image)
        extracted_text += text + "\n"
    
    # Save the extracted text to a file.
    save_text_to_file(extracted_text, output_file)


# Extract text from scanned PDF.
extract_text_from_pdf('scanned_document.pdf', 'extracted_text.txt')


print("OCR (Optical Character Recognition) magic completed! Now you can convert scanned PDF documents into editable text!")

·  END  ·

🌟 想要变身计算机视觉小能手？快来「小白玩转Python」公众号！

回复“Python视觉实战项目”，解锁31个超有趣的视觉项目大礼包！🎁

1ccb0fb785082ce3c7b51bb2e765947b.png

本文仅供学习交流使用，如有侵权请联系作者删除

# python # 信息可视化 # 开发语言
Logo
开放原子开发者工作坊

开放原子开发者工作坊旨在鼓励更多人参与开源活动，与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动，如meetup、训练营等，主打技术交流，干货满满，真诚地邀请各位开发者共同参与！

更多推荐

第二届开放原子大赛首批创新成果集结武汉，诚邀广大开发者共鉴开源技术盛宴

第二届开放原子大赛首批创新成果集结武汉，诚邀广大开发者共鉴开源技术盛宴

avatar 开放原子开发者工作坊

诚邀报名 | 开源基础设施能力建设分论坛：打造开源生态的“心脏”

诚邀报名 | 开源基础设施能力建设分论坛：打造开源生态的“心脏”

avatar 开放原子开发者工作坊

诚邀报名 | 编程语言分论坛：AI时代的技术革新与开源实践

诚邀报名 | 编程语言分论坛：AI时代的技术革新与开源实践

avatar 开放原子开发者工作坊