用 Python 提取 PDF 文本的簡單方法

你好，我是征哥，一般情況下，Ctrl+C 是最簡單的方法，當(dāng)無法 Ctrl+C 時，我們借助于 Python，以下是具體步驟：

第一步，安裝工具庫

1、tika — 用于從各種文件格式中進行文檔類型檢測和內(nèi)容提取

2、wand — 基于 ctypes 的簡單 ImageMagick 綁定

3、pytesseract — OCR 識別工具

創(chuàng)建一個虛擬環(huán)境，安裝這些工具

python?-m?venv?venv
source?venv/bin/activate
pip?install?tika?wand?pytesseract

第二步，編寫代碼

假如 pdf 文件里面既有文字，又有圖片，以下代碼可以直接識別文字：

import?io
import?pytesseract
import?sys

from?PIL?import?Image
from?tika?import?parser
from?wand.image?import?Image?as?wi

text_raw?=?parser.from_file("example.pdf")
print(text_raw['content'].strip())

這還不夠，我們還需要能失敗圖片的部分：

def?extract_text_image(from_file,?lang='deu',?image_type='jpeg',?resolution=300):
????print("--?Parsing?image",?from_file,?"--")
????print("---------------------------------")
????pdf_file?=?wi(filename=from_file,?resolution=resolution)
????image?=?pdf_file.convert(image_type)
????image_blobs?=?[]
????for?img?in?image.sequence:
????????img_page?=?wi(image=img)
????????image_blobs.append(img_page.make_blob(image_type))
????extract?=?[]
????for?img_blob?in?image_blobs:
????????image?=?Image.open(io.BytesIO(img_blob))
????????text?=?pytesseract.image_to_string(image,?lang=lang)
????????extract.append(text)
????for?item?in?extract:
????????for?line?in?item.split("\n"):
????????????print(line)

合并一下，完整代碼如下：

import?io
import?sys

from?PIL?import?Image
import?pytesseract
from?wand.image?import?Image?as?wi
from?tika?import?parser


def?extract_text_image(from_file,?lang='deu',?image_type='jpeg',?resolution=300):
????print("--?Parsing?image",?from_file,?"--")
????print("---------------------------------")
????pdf_file?=?wi(filename=from_file,?resolution=resolution)
????image?=?pdf_file.convert(image_type)
????for?img?in?image.sequence:
????????img_page?=?wi(image=img)
????????image?=?Image.open(io.BytesIO(img_page.make_blob(image_type)))
????????text?=?pytesseract.image_to_string(image,?lang=lang)
????????for?part?in?text.split("\n"):
????????????print("{}".format(part))


def?parse_text(from_file):
????print("--?Parsing?text",?from_file,?"--")
????text_raw?=?parser.from_file(from_file)
????print("---------------------------------")
????print(text_raw['content'].strip())
????print("---------------------------------")


if?__name__?==?'__main__':
????parse_text(sys.argv[1])
????extract_text_image(sys.argv[1],?sys.argv[2])

第三步，執(zhí)行

假如 example.pdf 是這樣的：

在命令行這樣執(zhí)行：

python?run.py?example.pdf?deu?|?xargs?-0?echo?>?extract.txt?

最終 extract.txt 的結(jié)果如下：

-- Parsing text example.pdf --
---------------------------------
Title pure text

Content pure text



  


	Slide 1
	Slide 2
---------------------------------
-- Parsing image example.pdf --
---------------------------------
Title pure text

Content pure text

Title in image

Text in image

你可能會問，如果是簡體中文，那個 lang 參數(shù)傳遞什么，傳 'chi_sim'，其實是有官方說明的，鏈接如下：

https://github.com/tesseract-ocr/tessdoc/blob/main/Data-Files-in-different-versions.md

最后的話

從 PDF 中提取文本的腳本實現(xiàn)并不復(fù)雜，許多庫簡化了工作并取得了很好的效果，如果你知道從 PDF 或任何文件中提取文本的其他方法，請留言告訴我。

推薦閱讀：

Python自動化辦公-編寫一個OCR識別程序