利用Python提取PDF文本的簡單方法實例

你好,一般情況下,Ctrl+C 是最簡單的方法,當無法 Ctrl+C 時,我們借助於 Python,以下是具體步驟:

第一步,安裝工具庫

1、tika — 用於從各種文件格式中進行文檔類型檢測和內容提取

2、wand — 基於 ctypes 的簡單 ImageMagick 綁定

3、pytesseract — OCR 識別工具

創建一個虛擬環境,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 文件裡面既有文字,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)

合並一下,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,執行

假如 example.pdf 是這樣的:

1f7cd9c778e1c3cfe5b9a0d36ea69272.png

在命令行這樣執行:

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

最終 extract.txt 的結果如下:

— 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 參數傳遞什麼,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

0361bb52f8ded0538c545369c2c0254f.png

最後的話

從 PDF 中提取文本的腳本實現並不復雜,許多庫簡化瞭工作並取得瞭很好的效果

到此這篇關於利用Python提取PDF文本的簡單方法的文章就介紹到這瞭,更多相關Python提取PDF文本內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: