Python使用PDF相关组件案例详解

主要对pdfminer.sixpdfplumberPyMuPDFPyPDF2PyPDF4pdf2imagecamelot-py七个PDF相关组件分别详解,具体使用案例演示

1. pdfminer.six
pdfminer.six 是一个专门用来从 PDF 中提取文本的库,能够处理复杂的文本布局,适合用于文本解析,尤其是需要了解 PDF 页面的结构时。

安装:

pip install pdfminer.six

使用案例:

from pdfminer.high_level import extract_text
try:# 提取 PDF 文件的文本text = extract_text('example.pdf')print(text)
except Exception as e:print(f"Error extracting text: {e}")

注意事项:

•	适合于文本内容的提取,特别是有复杂布局的文档。
•	对于表格或图像提取的支持较弱。
•	文本提取时可能会丢失一些排版信息。

异常处理案例:

from pdfminer.high_level import extract_textdef extract_pdf_text(file_path):try:text = extract_text(file_path)return textexcept FileNotFoundError:print("The specified file does not exist.")except Exception as e:print(f"Error: {e}")# 测试
file_path = 'non_existing_file.pdf'
text = extract_pdf_text(file_path)

2. pdfplumber

pdfplumber 是一个基于 pdfminer.six 的工具,专门用于提取 PDF 中的表格、文本、图像等结构化内容。

安装:

pip install pdfplumber

使用案例:

import pdfplumbertry:# 打开 PDF 文件with pdfplumber.open("example.pdf") as pdf:first_page = pdf.pages[0]# 提取文本text = first_page.extract_text()print(text)# 提取表格table = first_page.extract_table()for row in table:print(row)
except Exception as e:print(f"Error processing PDF: {e}")

注意事项:

•	对于 PDF 中的表格提取有较好的支持。
•	解析结构复杂的表格时可能需要进一步的调整和处理。
•	不适用于处理扫描版 PDF。

异常处理案例:

import pdfplumberdef extract_table_from_pdf(file_path):try:with pdfplumber.open(file_path) as pdf:first_page = pdf.pages[0]table = first_page.extract_table()return tableexcept pdfplumber.utils.PDFPlumberException as e:print(f"Error in pdfplumber: {e}")except Exception as e:print(f"Error: {e}")# 测试
table = extract_table_from_pdf('non_existing_file.pdf')

3. PyMuPDF (fitz)

PyMuPDF 是一个强大的 PDF、XPS、EPUB 等格式的文档处理库,支持提取文本、图像和页面渲染等多种功能。

安装:

pip install PyMuPDF

使用案例:

import fitz  # PyMuPDF 的别名try:# 打开 PDF 文件doc = fitz.open("example.pdf")# 提取文本for page in doc:text = page.get_text()print(text)# 提取图像for page in doc:images = page.get_images(full=True)for img in images:print(img)
except Exception as e:print(f"Error processing PDF: {e}")

注意事项:

•	可以提取文本、图像、并进行页面渲染。
•	对于扫描版 PDF,可以通过 OCR 结合其他工具进行文本提取。
•	需要安装 pillow 来处理图像。

异常处理案例:

import fitzdef extract_text_from_pdf(file_path):try:doc = fitz.open(file_path)text = ""for page in doc:text += page.get_text()return textexcept Exception as e:print(f"Error: {e}")return None# 测试
text = extract_text_from_pdf('non_existing_file.pdf')

4. PyPDF2

PyPDF2 是一个用于 PDF 文档操作的库,支持 PDF 文件的合并、拆分、旋转、裁剪等。

安装:

pip install PyPDF2

使用案例:

from PyPDF2 import PdfReader, PdfWritertry:# 读取 PDF 文件reader = PdfReader('example.pdf')writer = PdfWriter()# 提取第一页的文本page = reader.pages[0]print(page.extract_text())# 合并 PDF 文件writer.add_page(reader.pages[0])with open('output.pdf', 'wb') as output_pdf:writer.write(output_pdf)
except Exception as e:print(f"Error processing PDF: {e}")

注意事项:

•	适合于 PDF 的合并、拆分、旋转、裁剪等操作。
•	不支持图像或表格提取。
•	对于扫描版 PDF,提取文本效果不佳。

异常处理案例:

from PyPDF2 import PdfReaderdef merge_pdfs(input_files, output_file):try:writer = PdfWriter()for file in input_files:reader = PdfReader(file)for page in reader.pages:writer.add_page(page)with open(output_file, 'wb') as output:writer.write(output)except FileNotFoundError as e:print(f"Error: {e}")except Exception as e:print(f"Error: {e}")# 测试
merge_pdfs(['non_existing_file.pdf'], 'merged.pdf')

5. PyPDF4

PyPDF4 是 PyPDF2 的分支,提供了更好的功能,特别是对于处理加密的 PDF 文件。

安装:

pip install PyPDF4

使用案例:

import PyPDF4try:# 读取 PDF 文件with open('example.pdf', 'rb') as f:reader = PyPDF4.PdfReader(f)writer = PyPDF4.PdfWriter()# 提取第一页的文本page = reader.pages[0]print(page.extract_text())# 合并多个文件writer.add_page(reader.pages[0])with open('output.pdf', 'wb') as output_f:writer.write(output_f)
except Exception as e:print(f"Error processing PDF: {e}")

注意事项:

•	功能与 PyPDF2 类似,改进了处理加密文件的能力。
•	不支持表格或图像提取。

异常处理案例:

import PyPDF4def split_pdf(input_pdf, output_pdf):try:with open(input_pdf, 'rb') as in_file:reader = PyPDF4.PdfReader(in_file)writer = PyPDF4.PdfWriter()writer.add_page(reader.pages[0])  # 只提取第一页with open(output_pdf, 'wb') as out_file:writer.write(out_file)except Exception as e:print(f"Error: {e}")# 测试
split_pdf('non_existing_file.pdf', 'output.pdf')

6. pdf2image

pdf2image 可以将 PDF 页面转换为图像,适用于需要将 PDF 页面呈现为图像的情况。

安装:

pip install pdf2image

使用案例:

from pdf2image import convert_from_pathtry:# 将 PDF 页面转换为图像images = convert_from_path('example.pdf')# 保存为图像文件for i, image in enumerate(images):image.save(f'page_{i+1}.png', 'PNG')
except Exception as e:print(f"Error converting PDF to image: {e}")

注意事项:

•	适合将 PDF 页面转换为图像文件(如 PNG、JPEG)。
•	需要额外安装 poppler-utils。
•	高质量转换可能会导致内存占用较大。

异常处理案例:

from pdf2image import convert_from_pathdef convert_pdf_to_images(file_path):try:images = convert_from_path(file_path)return imagesexcept Exception as e:print(f"Error: {e}")return []# 测试
images = convert_pdf_to_images('non_existing_file.pdf')

7. camelot-py

camelot-py 是一个专门用来提取 PDF 中表格数据的库,能够很好地处理带有表格的 PDF 文件。

安装:

pip install camelot-py[cv]

使用案例:

import camelottry:# 提取 PDF 文件中的表格tables = camelot.read_pdf('example.pdf', pages='1')# 显示第一张表格print(tables[0].df)
except Exception as e:print(f"Error extracting table: {e}")

注意事项:

•	适合用于表格提取,尤其是结构清晰的表格。
•	对于复杂或不规则的表格,需要调整模式(lattice 或 stream)。

异常处理案例:

import camelotdef extract_table_from_pdf(file_path):try:tables = camelot.read_pdf(file_path, pages='1')return tables[0].dfexcept camelot.utils.PDFPageCountError as e:print(f"Page count error: {e}")except Exception as e:print(f"Error: {e}")return None# 测试
table = extract_table_from_pdf('non_existing_file.pdf')

总结

•	文本提取: 使用 pdfminer.six 或 PyMuPDF。
•	表格提取: pdfplumber 和 camelot-py 适合表格提取。
•	PDF 操作: PyPDF2 和 PyPDF4 适用于合并、拆分、裁剪等。
•	图像转换: 使用 pdf2image 来将 PDF 转为图像。

对于每个组件库,异常处理能够帮助应对文件不存在、格式错误等常见问题。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/60014.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

计算机网络:网络层 —— 移动 IP 技术

文章目录 移动性对因特网应用的影响移动 IP 相关基本概念移动IP技术的基本工作原理代理发现与注册固定主机向移动主机发送IP数据报移动主机向固定主机发送IP数据报同址转交地址方式三角形路由问题 移动性对因特网应用的影响 我们列举如下三个应用场景说明移动性对因特网应用的…

鸿蒙多线程开发——Worker多线程

1、概 述 1.1、基本介绍 Worker主要作用是为应用程序提供一个多线程的运行环境,可满足应用程序在执行过程中与主线程分离,在后台线程中运行一个脚本进行耗时操作,极大避免类似于计算密集型或高延迟的任务阻塞主线程的运行。 创建Worker的线…

【大数据学习 | kafka】消费者的分区分配规则

1. 概述 上面我们提到过,消费者有的时候会少于或者多于分区的个数,那么如果消费者少了有的消费者要消费多个分区的数据,如果消费者多了,有的消费者就可能没有分区的数据消费。 那么这个关系是如何分配的呢? 现在我们…

Python接口自动化测试自学指南(项目实战)

🍅 点击文末小卡片 ,免费获取软件测试全套资料,资料在手,涨薪更快 接口自动化测试是指通过编写程序来模拟用户的行为,对接口进行自动化测试。Python是一种流行的编程语言,它在接口自动化测试中得到了广…

【Python进阶】Python网络协议与套接字编程:构建客户端和服务器

1、网络通信基础与网络协议 1.1 网络通信模型概述 网络通信是信息时代基石,它如同现实世界中的邮递系统,将数据从一处传递到另一处。其中,OSI七层模型与TCP/IP四层或五层模型是理解和构建网络通信的基础。 1.1.1 OSI七层模型与TCP/IP四层/…

Redis - 哨兵(Sentinel)

Redis 的主从复制模式下,⼀旦主节点由于故障不能提供服务,需要⼈⼯进⾏主从切换,同时⼤量 的客⼾端需要被通知切换到新的主节点上,对于上了⼀定规模的应⽤来说,这种⽅案是⽆法接受的, 于是Redis从2.8开始提…

UE5 metahuman 头发物理模拟

https://www.youtube.com/watch?vyYmdgtP6cQA 头发梳理物理 打开Unreal Engine,选择一个角色模型 点击“Groom”选项卡,在“Physics”部分下,找到“Custom Solver”,点击下拉菜单,选择“WindDrivenSystem”。 在“…

大数据 ETL + Flume 数据清洗 — 详细教程及实例(附常见问题及解决方案)

大数据 ETL Flume 数据清洗 — 详细教程及实例 1. ETL 和 Flume 概述1.1 ETL(Extract, Transform, Load)1.2 Flume 概述 2. Flume 环境搭建2.1 下载并安装 Flume2.2 启动 Flume 3. Flume 配置和常见 Source、Sink、Channel3.1 Flume Source3.2 Flume Si…

24年配置CUDA12.4,Pytorch2.5.1,CUDAnn9.5运行环境

没什么好介绍的,直接说了。 下载 首先打开命令行,输入代码查看显卡最高支持的cuda版本,下载的版本不要高于该版本 nvidia-smi PyTorch 插件这个是PyTorch下载地址,就按照我这么选CUDA版本就选最新的,看好绿框里的CU…

架构师备考-概念背诵(系统架构)

软件架构概念 一个程序和计算系统软件体系结构是指系统的一个或者多个结构。结构中包括软件的构件,构件的外部可见属性以及它们之间的相互关系。体系结构并非可运行软件。确切地说,它是一种表达,使软件工程师能够: (1)分析设计在满足所规定的需求方面的有效性:(2)在设计变…

Linux服务器软件包管理的使用

在 Linux 系统中,软件包管理器是用于安装、升级、删除和管理软件包的工具。不同的 Linux 发行版使用不同的软件包管理器,通常根据使用的包格式和包管理系统(如 .deb 或 .rpm)来区分。下面将介绍几种常见的 Linux 软件包管理器及其…

debian系统安装qt的时候 显示xcb相关文件缺失

如果是安装之后的问题 我们可以选择使用ldd的命令查看当前依赖的so那些文件确实 ldd /home/yinsir/Qt/5.15.2/gcc_64/plugins/platforms/libqxcb.so 本人在进行打包的时候 出现则会个报错 ERROR: ldd outputLine: “libxcb-util.so.1 > not found” ERROR: for binary: “/…

esp32s3连接控制HC-08蓝牙设备

趁双十一买了一块esp32S3单片,尝试之后发现他的蓝牙只支持ble,我的机器人以前是使用手机控制的,我想借此机会,为他添加一个esp32S3的大脑。 查了一下资料,写了一个demo,记录一下代码: #include "BLEDevice.h" //#include "BLEScan.h" //hc-08的ble…

WordPress文章自动提交Bing搜索引擎:PHP推送脚本教程

随着网站SEO优化的重要性日益增加,将新发布的内容快速提交到搜索引擎显得尤为重要。尤其对于Bing站长平台,自动化推送能让Bing尽快发现和索引我们网站的新内容。本文将详细介绍如何通过PHP脚本自动推送WordPress当天发布的文章至Bing站长平台,确保新文章被Bing及时收录。 前…

指令重排序:Java程序中的隐秘优化

什么是重排序? 在编写Java程序时,我们通常会期望代码的执行顺序与编写顺序一致。然而,为了优化性能,编译器、JVM或CPU可能会对指令的实际执行顺序进行调整,这种现象被称为重排序。重排序是现代计算机系统中常见的优化…

开源大模型推理引擎现状及常见推理优化方法总结

原文:https://zhuanlan.zhihu.com/p/755874470 前言 前一段时间sglang-v0.3.0和vllm-v0.6.0前后脚发布之后,就一直想总结梳理一下现在主流的大模型推理引擎。因为我觉得这也算是一个有意义的节点吧,从此开源大模型推理引擎总算是由"非…

【信号处理】绘制IQ信号时域图、星座图、功率谱

时域图 # 导入相关的库 import pickle import matplotlib.pyplot as plt import numpy as np from pathlib import Path import oswith open(r"C:\0-数据集\公开\RML2016\RML2016.10a_dict.pkl", rb) as file:Xd pickle.load(file, encodingbytes) snrs, mods map…

第 1 章 - Go语言简介

第 1 章 - Go语言简介 1.1 什么是Go语言 Go语言,又称 Golang,是一种静态类型的编译型语言,由 Google 公司的 Robert Griesemer、Rob Pike 和 Ken Thompson 于 2007 年开始设计,并在 2009 年正式对外发布。Go 语言的设计目标是提…

C++优选算法十二 栈

在C中,stack 是一种标准模板库(STL)容器适配器,它提供了后进先出(LIFO, Last In First Out)的数据结构。stack 适配器基于其他底层容器(如 deque 或 vector)来实现,但只提…

找工作就上万码优才,海量技术岗位等你来

已至岁末,不论你将实习,或正在求职,求职平台千千万万,但简历如落叶般无人问津。 是否因未找到理想职位而心生焦虑?别急,万码优才在这里,为你点亮职业之路的明灯! 今天给大家推荐一…