實用指令碼！Python 提取 PDF 指定內容生成新檔案！

來源：早起Python

作者：陳熹

大家好，我是早起。

在之前的「Python辦公自動化」案專題中，我們已經介紹了如何有選擇的提取某些頁面進行合併。

但是很多時候，我們並不會預知希望提取的頁號，而是希望將包含指定內容的頁面提取合併為新PDF，本文就以兩個真實需求為例進行講解。

01、需求描述

資料是一份有286頁的上市公司公開年報PDF，大致如下

現在需要利用 Python 完成以下兩個需求

「需求一：提取所有包含戰略 二字的頁面併合並新PDF需求二：提取所有包含圖片的頁面，並分別儲存為 PDF 檔案」

02、前置知識和邏輯梳理

2.1 PyPDF2

模組實現合併PyPDF2

匯入模組的程式碼常常是：

from PyPDF2 import PdfFileReader, PdfFileWriter

這裡匯入了兩個方法：

1.PdfFileReader

可以理解為讀取器

2.PdfFileWriter

可以理解為寫入器

利用PyPDF2

實現合併運用的一下邏輯：

讀取器將所有pdf讀取一遍讀取器將讀取的內容交給寫入器寫入器統一輸出到一個新pdf隱含知識點：讀取器只能將讀取的內容一頁一頁交給寫入器

2.2 獲取與新增頁面

之前我們的推文中提到這兩個程式碼，下面列出作為複習：

1.getPage

獲取特定頁

2.addPage

新增特定頁

2.3 圖片和文字的處理

要實現本文的需求還要做到很重要的一個判斷：確定頁面中有無包含的文字或圖片

判斷是否包含特定的文字比較簡單，遍歷每一頁的時候都將包含的文字抽提出，做字元串層面的判斷即可，程式碼思路：

利用pdfplumber開啟PDF 檔案獲取指定的頁，或者遍歷每一頁利用.extract_text()方法提取當前頁的文字判斷 「戰略」 是否在提取的文字中判斷是否包含圖片，思路和上面是類似的，但方法不同。圖片考慮用正則的方法識別，用fitz和re配合，具體見下文程式碼

03、程式碼實現

3.1 需求一的實現

首先來完成需求一的任務，匯入需要用到的庫：讀取寫入PDF檔案的PyPDF2以及抽提文字的pdfplumber

from PyPDF2 import PdfFileReader, PdfFileWriter

import pdfplumber

指定檔案所在的路徑，同時初始化寫入器，將檔案交給讀取器：

path = r'C:xxxxxx'pdf_writer = PdfFileWriter()pdf_reader = PdfFileReader(path + r'公司年報.PDF')

以上下文管理器形式通過pdfplumber開啟檔案，同時用.getNumPages

獲取讀取器的最大頁利於遍歷每一頁來抽提文字：

with pdfplumber.open(path + r'公司年報.PDF') as pdf:for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text())

我們抽提文字的目的是用來判斷，將符合要求的頁碼作為讀取器.getPage的參數，最後用.addPage交給寫入器：

with pdfplumber.open(path + r'公司年報.PDF') as pdf:for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text()) if '戰略' in page.extract_text(): pdf_writer.addPage(pdf_reader.getPage(i)) print(i + 1, page.extract_text())

完成識別後讓寫入器輸出為需要的檔名：

with open(path + r'new_公司年報.pdf', 'wb') as out:pdf_writer.write(out)

至此，我們就完成了包含特定文字內容頁面的提取，並整合成一個PDF。所有的頁面均包含「戰略」二字：

需求一完整程式碼如下，感興趣的讀者可以自行研究

from PyPDF2 import PdfFileReader, PdfFileWriterimport pdfplumberpath = r'C:xxx'pdf_writer = PdfFileWriter()pdf_reader = PdfFileReader(path + r'公司年報.PDF')with pdfplumber.open(path + r'公司年報.PDF') as pdf:for i in range(pdf_reader.getNumPages()): page = pdf.pages[i] print(page.extract_text()) if '戰略' in page.extract_text(): pdf_writer.addPage(pdf_reader.getPage(i)) print(i + 1, page.extract_text())with open(path + r'new_公司年報1.pdf', 'wb') as out: pdf_writer.write(out)

3.2 需求二的實現

接下來完成需求二的任務。首先匯入需要的庫：

from PyPDF2 import PdfFileReader, PdfFileWriterimport fitzimport reimport os

指定檔案所在的路徑：

path = r'C:xxxxxx'

正則識別圖片的部分不細講，之前的推文已經介紹過，我們直接看程式碼：

page_lst = []checkImg = r"/Subtype(?= */Image)"pdf = fitz.open(path + r'公司年報.PDF')lenXREF = pdf._getXrefLength()for i in range(lenXREF):text = pdf._getXrefString(i) isImage = re.search(checkImg, text) if isImage: page_lst.append(i)print(page_lst)

獲取到所有包含圖片的頁面後，再結合讀取器和寫入器的配合就能完成新 PDF 的產生。注意本需求是所有圖片單獨輸出，因此獲取到頁面後交給寫入器直接輸出成檔案：

pdf_reader = PdfFileReader(path + r'公司年報.PDF')for page in page_lst:pdf_writer = PdfFileWriter() pdf_writer.addPage(pdf_reader.getPage(page)) with open(path + r'公司年報_{}.pdf'.format(page + 1), 'wb') as out: pdf_writer.write(out)

至此也完成了第二個需求。需要說明的是目前沒有非常完美提取PDF圖片的方法，本案例介紹的方法識別圖片也並不穩定。讀者可以利用自己的資料多做嘗試。完整程式碼如下：

from PyPDF2 import PdfFileReader, PdfFileWriterimport fitzimport reimport ospath = r'C:xxx'page_lst = []checkImg = r"/Subtype(?= */Image)"pdf = fitz.open(path + r'公司年報.PDF')lenXREF = pdf._getXrefLength()for i in range(lenXREF):text = pdf._getXrefString(i) isImage = re.search(checkImg, text) if isImage: page_lst.append(i)print(page_lst)pdf_reader = PdfFileReader(path + r'公司年報.PDF')for page in page_lst: pdf_writer = PdfFileWriter() pdf_writer.addPage(pdf_reader.getPage(page)) with open(path + r'公司年報_{}.pdf'.format(page + 1), 'wb') as out: pdf_writer.write(out)

實現這兩個單個需求後，就可以將相關程式碼封裝並結合os等模組實現批量操作，解放雙手。