从pdf中提取图片、表格、公式

1.提取图片

安装环境：
python3.7
pip3 install pymupdf==1.16.8（最新版本会报错）

import fitz  #pip3 install pymupdf==1.16.8
import time
import re
import os


def get_image(path, pic_path):
    '''从pdf中提取图片
    :param path: pdf的路径
    :param pic_path: 图片保存的路径
    :return: 无return
    '''
    t0 = time.clock()
    # 00、使用正则表达式查找PDF中的图片
    checkXO = r"/Type(?= */XObject)"
    checkIM = r"/Subtype(?= */Image)"

    # 一、打开pdf，打印PDF的相关信息
    doc = fitz.open(path)
    # 图片计数
    imgcount = 0
    lenXREF = doc._getXrefLength()

    # 打印PDF的信息
    print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF - 1))

    # 二、遍历PDF中的对象，遇到是图像才进行下一步，不然就continue
    for i in range(1, lenXREF):
        # 定义对象字符串
        # text = doc._getObjectString(i)
        text = doc._getXrefString(i)
        # print(text)
        # continue
        isXObject = re.search(checkXO, text)
        # 使用正则表达式查看是否是图片
        isImage = re.search(checkIM, text)
        # 如果不是对象也不是图片，则continue
        if not isXObject or not isImage:
            print("不是图片")
            continue
        imgcount += 1
        # 根据索引生成图像
        pix = fitz.Pixmap(doc, i)
        # 根据pdf的路径生成图片的名称
        new_name = path.replace('\\', '_') + "_img{}.png".format(imgcount)
        new_name = new_name.replace(':', '')

        # 三、将图像存为png格式
        # 如果pix.n<5,可以直接存为PNG
        if pix.n < 5:
            pix.writePNG(os.path.join(pic_path, new_name))
        # 否则先转换CMYK
        else:
            pix0 = fitz.Pixmap(fitz.csRGB, pix)
            pix0.writePNG(os.path.join(pic_path, new_name))
            pix0 = None
        # 释放资源
        pix = None
    t1 = time.clock()
    print("运行时间:{}s".format(t1 - t0))
    print("提取了{}张图片".format(imgcount))


# 运行
if __name__=='__main__':
    # pdf路径
    path = r"delete.pdf"  # 测试提取图片专用  Selenium 自动化爬虫
    pic_path = r"image"
    # 创建保存图片的文件夹
    if os.path.exists(pic_path):
        print("文件夹已存在，请重新创建新文件夹！")
        raise SystemExit
    else:
        os.mkdir(pic_path)
    get_image(path, pic_path)

参考链接：

https://blog.csdn.net/weixin_41173374/article/details/99213613?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.not_use_machine_learn_pai&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.not_use_machine_learn_pai

2.提取表格

从pdf中提取表格数据，生成.xls文件，下面的代码只提取首页：
（摘自：https://blog.csdn.net/Abecedarian_CLF/article/details/102299916）

import pdfplumber
import xlwt

# 定义保存Excel的位置
workbook = xlwt.Workbook()  #定义workbook
sheet = workbook.add_sheet('Sheet1')  #添加sheet
i = 0 # Excel起始位置

path = input("请输入PDF文件位置：")    
#path = "aaaaaa.PDF"  # 导入PDF路径
pdf = pdfplumber.open(path)
print('\n')
print('开始读取数据')
print('\n')
for page in pdf.pages:
    # 获取当前页面的全部文本信息，包括表格中的文字
    # print(page.extract_text())                     
    for table in page.extract_tables():
        # print(table)
        for row in table:            
            print(row)
            for j in range(len(row)):
                sheet.write(i, j, row[j])
            i += 1
        print('---------- 分割线 ----------')

pdf.close()

# 保存Excel表
workbook.save('PDFresult.xls')
print('\n')
print('写入excel成功')
print('保存位置：')
print('C:/Users/Administrator/Desktop/PDFresult.xls')
print('\n')
input('PDF取读完毕，按任意键退出')

3.牛逼的软件

可以下载Mathpix Snip:https://mathpix.com/
可以提取公式（见下图）、提取表格。
软件生成latex格式，然后我们可以借助aurora插入到word，是真的牛逼。

(图片摘自：https://www.moonpapers.com/manual/latex/senior/math/formula/tool.html)