如何用Python高效提取PDF特定内容并生成新PDF文件？

本文共计1869个文字，预计阅读时间需要8分钟。

在众多场合，我们往往不会预知期望提取的页码，而是希望将包含指定内容的页面合并为新的PDF，并提取文本。以下以两个实际需求为例进行讲解。

案例一：合并包含特定关键词的页面

假设我们需要将文档中所有包含技术交流关键词的页面合并为一个PDF。

1. 使用PDF阅读器打开文档。

2.使用搜索功能查找技术交流。

3.将所有搜索结果页面复制粘贴到一个新的PDF文档中。

案例二：提取特定章节的文本

假设我们需要从文档中提取第一章和第二章的内容。

1. 定位到第一章的起始页。

2.按住鼠标左键，拖动至第二章的结束页，选择整个章节内容。

3.复制选中的内容，粘贴到文本编辑器中。

注意：以上操作的具体步骤可能因使用的软件和设备而异。

很多时候，我们并不会预知希望提取的页号，而是希望将包含指定内容的页面提取合并为新PDF，本文就以两个真实需求为例进行讲解。

资料、代码、技术交流，文末获取

01 需求描述

数据是一份有286页的上市公司公开年报PDF，大致如下

现在需要利用 Python 完成以下两个需求

需求一：提取所有包含 战略 二字的页面并合并新PDF

需求二：提取所有包含图片的页面，并分别保存为 PDF 文件

02 前置知识和逻辑梳理

2.1​​PyPDF2​​ 模块实现合并

​​PyPDF2​​ 导入模块的代码常常是：

from PyPDF2 import PdfFileReader, PdfFileWriter

这里导入了两个方法：

​​PdfFileReader​​ 可以理解为读取器

​​PdfFileWriter​​ 可以理解为写入器

利用 ​​PyPDF2​​ 实现合并运用的一下逻辑：

读取器将所有pdf读取一遍

读取器将读取的内容交给写入器

写入器统一输出到一个新pdf

隐含知识点：读取器只能将读取的内容一页一页交给写入器

2.2 获取与添加页面

之前我们的推文中提到这两个代码，下面列出作为复习：

​​.getPage​​ 获取特定页

​​.addPage​​ 添加特定页

2.3 图片和文字的处理

要实现本文的需求还要做到很重要的一个判断：确定页面中有无包含的文字或图片

判断是否包含特定的文字比较简单，遍历每一页的时候都将包含的文本抽提出，做字符串层面的判断即可，代码思路：

利用 ​​pdfplumber​​ 打开PDF 文件

获取指定的页，或者遍历每一页

利用 ​​.extract_text()​​ 方法提取当前页的文字

判断 “战略” 是否在提取的文字中

判断是否包含图片，思路和上面是类似的，但方法不同。图片考虑用正则的方法识别，用 ​​fitz​​​ 和 ​​re​​ 配合，具体见下文代码

03 代码实现

3.1 需求一的实现

首先来完成需求一的任务，导入需要用到的库：读取写入PDF文件的 ​​PyPDF2​​​ 以及抽提文本的 ​​pdfplumber​​

from PyPDF2 import PdfFileReader, PdfFileWriter
import pdfplumber

指定文件所在的路径，同时初始化写入器，将文件交给读取器：

path = r'C:\xxxxxx'
pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(path + r'\公司年报.PDF')

以上下文管理器形式通过 ​​pdfplumber​​​ 打开文件，同时用 ​​.getNumPages​​ 获取读取器的最大页利于遍历每一页来抽提文字：

with pdfplumber.open(path + r'\公司年报.PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text())

我们抽提文字的目的是用来判断，将符合要求的页码作为读取器 ​​.getPage​​​ 的参数，最后用 ​​.addPage​​ 交给写入器：

with pdfplumber.open(path + r'\公司年报.PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text())
if '战略' in page.extract_text():
pdf_writer.addPage(pdf_reader.getPage(i))
print(i + 1, page.extract_text())

完成识别后让写入器输出为需要的文件名：

with open(path + r'\new_公司年报.pdf', 'wb') as out:
pdf_writer.write(out)

至此，我们就完成了包含特定文字内容页面的提取，并整合成一个PDF。所有的页面均包含“战略”二字：

需求一完整代码如下，感兴趣的读者可以自行研究

from PyPDF2 import PdfFileReader, PdfFileWriter
import pdfplumber

path = r'C:\xxx'
pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(path + r'\公司年报.PDF')

with pdfplumber.open(path + r'\公司年报.PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text())
if '战略' in page.extract_text():
pdf_writer.addPage(pdf_reader.getPage(i))
print(i + 1, page.extract_text())

with open(path + r'\new_公司年报1.pdf', 'wb') as out:
pdf_writer.write(out)

3.2 需求二的实现

接下来完成需求二的任务。首先导入需要的库：

from PyPDF2 import PdfFileReader, PdfFileWriter
import fitz
import re
import os

指定文件所在的路径：

path = r'C:\xxxxxx'

正则识别图片的部分不细讲，之前的推文已经介绍过，我们直接看代码：

page_lst = []
checkImg = r"/Subtype(?= */Image)"
pdf = fitz.open(path + r'\公司年报.PDF')
lenXREF = pdf._getXrefLength()

for i in range(lenXREF):
text = pdf._getXrefString(i)
isImage = re.search(checkImg, text)
if isImage:
page_lst.append(i)

print(page_lst)

获取到所有包含图片的页面后，再结合读取器和写入器的配合就能完成新 PDF 的产生。注意本需求是所有图片单独输出，因此获取到页面后交给写入器直接输出成文件：

pdf_reader = PdfFileReader(path + r'\公司年报.PDF')
for page in page_lst:
pdf_writer = PdfFileWriter()
pdf_writer.addPage(pdf_reader.getPage(page))
with open(path + r'\公司年报_{}.pdf'.format(page + 1), 'wb') as out:
pdf_writer.write(out)

至此也完成了第二个需求。需要说明的是目前没有非常完美提取PDF图片的方法，本案例介绍的方法识别图片也并不稳定。读者可以利用自己的数据多做尝试。完整代码如下：

from PyPDF2 import PdfFileReader, PdfFileWriter
import fitz
import re
import os

path = r'C:\xxx'

page_lst = []
checkImg = r"/Subtype(?= */Image)"
pdf = fitz.open(path + r'\公司年报.PDF')
lenXREF = pdf._getXrefLength()
for i in range(lenXREF):
text = pdf._getXrefString(i)
isImage = re.search(checkImg, text)
if isImage:
page_lst.append(i)

print(page_lst)

pdf_reader = PdfFileReader(path + r'\公司年报.PDF')
for page in page_lst:
pdf_writer = PdfFileWriter()
pdf_writer.addPage(pdf_reader.getPage(page))
with open(path + r'\公司年报_{}.pdf'.format(page + 1), 'wb') as out:
pdf_writer.write(out)

实现这两个单个需求后，就可以将相关代码封装并结合os等模块实现批量操作，解放双手。