利用Python提取PDF文本的簡單方法實例

Posted on by

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：