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)