西安建设工程信息网平台变更沈阳seo关键字优化
Pdf文件是我们日常工作中经常会遇到的一种文件格式，对于这种文件的提取 pdfplumber 库可以非常出色的完成处理工作，它是一个纯 Python 第三方库，适合 python 3.x 版本，通常用来查看pdf各类信息，能有效提取文本、表格，但不支持修改或生成pdf，也不支持对pdf扫描件的处理。下面就出表格、文本和图片的提取三方面进行说明。
1、表格提取：
下面是提取PDF文件内容中的表格，并保存到XLSX文件中，代码如下：
import pdfplumber
from openpyxl import load_workbook
import pandas as pdi=0
with pdfplumber.open("d:\\待提取的PDF文件.pdf") as pdf:print(len(pdf.pages))for page in pdf.pages:tables=page.extract_tables()for table in tables:i=i+1df = pd.DataFrame(table)df.to_excel(f'd:\\output{i}.xlsx', index=False)def readExcels(excelname):alldata = pd.DataFrame()wb = load_workbook(excelname)sheets = wb.sheetnamesfor i in sheets:#print(i)df = pd.read_excel(excelname,sheet_name=i,engine='openpyxl',header=1)alldata = alldata._append(df)2、文本提取：
下面是提取PDF文件内容中的文字内容，并保存到txt文件中，代码如下：
import os
from pathlib import Path
import pdfplumberdef extract_text(pdf_path):with pdfplumber.open(pdf_path) as pdf:text = ""for page in pdf.pages:text += page.extract_text() + "\n"return text# 使用示例
pdf_path_name = "d:\\待提取PDF文件.pdf"
pdf_dirname = os.path.dirname(pdf_path_name)
extracted_text = extract_text(pdf_path_name)
with open(f'{pdf_dirname}/{Path(pdf_path_name).stem}.txt', 'w', encoding='utf-8') as f:f.write(extracted_text)f.close()
print(f'执行完毕！输出路径：{pdf_dirname}')3、提取图片：
下面是提取PDF文件内容中的图片，并创建目录保存，代码如下：
import pdfplumber
import os# 定义函数用于提取PDF中的图片并保存
def extract_images_from_pdf(pdf_file, output_folder):# 创建输出文件夹，如果不存在的话if not os.path.exists(output_folder):os.makedirs(output_folder)with pdfplumber.open(pdf_file) as pdf:# 遍历每一页for page_number, page in enumerate(pdf.pages, start=1):print(f'页码：{page.page_number}')print(f'页面宽度：{page.width}')print(f'页面高度：{page.height}')# 获取该页的所有图片images = page.images# 遍历该页的所有图片for idx, image in enumerate(images, start=1):# 获取图片的二进制数据image_data = image['stream'].get_data()# 构建图片文件名image_filename = os.path.join(output_folder, f'image_{page_number}_{idx}.png')# 保存图片到文件with open(image_filename, 'wb') as f:f.write(image_data)print(f'图片已保存至：{image_filename}')# 调用方法
pdf_file = 'd:\\待提取的PDF文件.pdf'
output_folder = 'extracted_images'
extract_images_from_pdf(pdf_file, output_folder)