Python—PDF文本与图片抽取

PDF是人们日常使用最多的跨平台文档。其是一种用独立于应用程序、硬件、操作系统的方式呈现文档的文件格式。每个PDF文件包含固定布局的平面文档的完整描述，包括文本、字形、图形及其他需要显示的信息。因此，具有良好的跨平台特性，但同时，也为抽取其内容带来了不便。

PDF最初版本于1993发行，最新版本为2.0。

今天，我们使得Python来抽取PDF文档中的文本与图片。

文本抽取

PDF文本抽取相对容易，效果最好的是pdfminer（https://github.com/euske/pdfminer）。基本能抽取出所有文本。

pdfminer是开源的纯Python编写，支持最新至PDF 1.7版本。

pdfminer的使用比较简单

安装：

pip install pdfminer

使用：

python pdf2txt.py -o <抽取保存的文本文件名> -t text -O <源pdf文件>

如上就实现了文本抽取，抽取的是纯文本，无格式、字体等信息。

原文

抽取出的文本

pdfminer有个麻烦的地方，对于CJK编码的PDF文档，需要手动安装也能正常抽取文字。

图片抽取

PDF图片抽取是个比较难的问题，目前Python可以调用的比较好的库是PyMuPDF（https://github.com/pymupdf/PyMuPDF）。PyPDF2（https://github.com/mstamy2/PyPDF2）库也可以实现部分功能，但已于2018年停止更新。

这些库的问题是，无法抽取出所有的图片，同时，抽取出的图片问题不一。

这里以 https://arxiv.org/pdf/1703.10135.pdf 文件为例。

使用PyMuPDF 代码如下：

import fitz # PyMuPDF def get_pixmaps_in_pdf(pdf_filename): doc = fitz.open(pdf_filename) xrefs = set() for page_index in range(doc.pageCount): for image in doc.getPageImageList(page_index): xrefs.add(image[0]) # Add XREFs to set so duplicates are ignored pixmaps = [fitz.Pixmap(doc, xref) for xref in xrefs] doc.close() return pixmaps def write_pixmaps_to_pngs(pixmaps): for i, pixmap in enumerate(pixmaps): pixmap.writePNG(f'{i}.png') # Might want to come up with a better name pixmaps = get_pixmaps_in_pdf('Wang_et_al_2017_Tacotron.pdf') write_pixmaps_to_pngs(pixmaps)

抽取效果如下。整篇PDF文档，只抽取出如下的几个图片。