Python 操作 PDF 文档——文件阅读
操作 PDF 一般正统的会采用 pyPDF 库,这个库早已开源,所以衍生出来的小库有很多,但是其他的库的版本更迭太慢了,所以今天我们只来讲 pyPDF 这个大库的一些操作,小库的学习也可以在大库的基础上进行更深层次的学习。
PDF 提取信息
实现 PDF 提取信息的函数叫做 PdfReader 这个函数,我们一般导入 包之后,就可以对我们想打开的 PDF 进行导入:
reader = PDFReader('pdf 文件/Python 认知.PDF')
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OsnKuuq2-1685431122653)(./image-20230530145633116.png)]
如上就成功进行了文件导入,这个函数就是将整个 PDF 文件转为了一个数据用于后面的函数处理。
-
metadata 属性
这个属性是前面 PdfReader 返回值的属性,用于获取 PDF 相关的信息,例如创作者(导出的程序,例如谷歌这种:/Creator )、生产者( /Producer )、创建时间( /CreationDate )、修改时间( /ModDate )等等。
meta = reader.metadata print(meta)
-
pages 属性
这个属性用于获取到页面信息,打印时返回的值是一个列表,其中的元素就是每个页面。
print(reader.pages)
这个属性拿到的列表里面的每个元素不是只有名字,每个名字都代表了一整个页面,我们提取这个列表中的某个元素就相当于拿到了这个页面的所有信息。
比如:
这样做,则 page_1 就可以理解为 PDF 的第一页。
-
extract_text() 属性
这个属性是对上一个属性中我们拿到的单页面信息进行操作,我们对于页面做这个操作,就可以拿到这个页面所有的文字信息。
print(page_1.extract_text())
-
images 属性
这个属性同样也是对于页面进行操作,用于拿到整个页面中所有的图片信息。
photo = reader.pages[1].images print(photo)
这样就可以将照片信息提取出来,结合我们之前学到的文件读写操作,就可以将图片进行存储。