php怎么导出pdf技巧_手把手教你若何用Python从PDF文件中导出数据附链接

作者：Mike Driscoll

翻译：季洋

校正：丁楠雅

本文约4000字，建议阅读10分钟。

本文先容了在提取出想要的数据之后，如何将数据导出成其他格式的方法。

有很多时候你会想用Python从PDF中提取数据，然后将其导出成其他格式。
不幸的是，并没有多少Python包可以很好的实行这部分事情。
在这篇贴子中，我们将磋商多个不同的Python包，并学习如何从PDF中提取某些图片。
只管在Python中没有一个完全的办理方案，你还是该当能够利用这里的技能开始上手。
提取出想要的数据之后，我们还将研究如何将数据导出成其他格式。

让我们从如何提取文本开始学起！

最被大家所熟知的可能是一个叫做PDFMiner的包。
PDFMiner包大约从Python 2.4版本就存在了。
它的紧张目的是从PDF中提取文本。
实际上，PDFMiner可以见告你某文本在分页上详细的位置和字体信息。
对付Python 2.4到2.7版本，你可以参考以下网站来理解PDFMiner的更多信息：

PDFMiner是不兼容于Python 3的。
幸运的是，PDFMiner家族的一个分支PDFMiner.six在Python 3上完备能胜任同样的功能。

你可以在以下网站上找到：

关于PDFMiner的安装解释已经比较过期了。
实在你可以用pip命令来安装它：

如果你要在Python 3上安装PDFMiner（这大概便是你现在正在做的），你须要这样安装：

PDFMiner的干系文档很少。
你将很大可能地须要利用Google和Stack Overflow两个查询工具来弄清楚如何在这篇贴子的涵盖内容之外有效地利用PDFMiner。

有时你会想要提取PDF文件中的所有文本。
PDFMiner包供应了一些不同的方法使你能够做到这一点。
我们先来磋商一些编程的方法。
让我们试着从一个国税局W9表单中读取所有的文本。

你可以从这里得到表单副本：

保存完这个PDF文件之后，你可以参考以下代码：

当你直策应用PDFMiner包时，每每会有点繁琐。
这里，我们从PDFMiner的不同模块中引入多个不同的类。
由于这些类都没有文档解释，也没有实现其文档字符串属性，我将不会深入讲解它们做了什么。
如果你真的好奇的话，只管可以深入地研究它们的源代码。
无论如何，我认为我们可以大致照以上代码行事。

我们做的第一件事便是创建一个资源管理器的实例。
然后通过Python的输入输出（io）模块创建一个似文件工具。
如果你利用的是Python 2，你该当利用StringIO模块。
接下来的步骤是创建一个转换器。
在这个例子里，我们选择利用TextConverter，如果你想要的话，你还可以利用HTMLConverter或XMLConverter。
末了，我们创建一个PDF阐明器工具，携带着我们的资源管理器和转换器工具，来提取文本。

末了一步是打开PDF文件并且循环遍历每一页。
结尾部分，我们抓取所有的文本，关闭不同的信息处理器，同时打印文本到标准输出(stdout)。

常日我们并不须要从一个多页文档中抓取所有的文本。
你一样平常会想要处理文档的某些部分。
那么，让我们改写代码以便它提取文本呈分页的格式。
这将许可我们在检讨文本时，一次一页地进行：

在这个例子中，我们创建了一个天生器函数按页天生（yield）了文本。
extract_text函数按页打印出文本。
此处我们可以加入一些剖析逻辑来得到我们想要的剖析结果。
或者我们可以仅是将文本（或HTML或XML）存入不同的文件中以便剖析。

你可能把稳到这些文本没有按你期望的顺序排列。
因此你须要思考一些方法来剖析出你感兴趣的文本。

PDFMiner的好处便是你可以很方便地按文本、HTML或XML格式来“导出”PDF文件。

你也可以利用PDFMiner的命令行工具，pdf2txt.py和dumppdf.py，来为你实行导出事情。
如果你不想试图自己弄明白PDFMiner。
根据pdf2txt.py 的源代码，它可以被用来导出PDF成纯文本、HTML、XML或“标签”格式。

通过pdf2txt.py导出文本

伴随着PDFMiner一起的pdf2txt.py命令行工具会从一个PDF文件中提取文本并且默认将其打印至标准输出（stdout）。
它不能识别笔墨图片，就像PDFMiner不支持光学字符识别（OCR）一样。
让我们考试测验用最大略的方法来利用它，那便是仅仅通报给它一个PDF文件的路径。
我们会利用w9.pdf文件。
打开一个终端并且定位到你存放PDF文件的位置，或修正一下命令指向待处理文件：

如果你实行这条命令，它将打印出所有的文本到标准输出（stdout）。
你也可以使pdf2txt.py 将文本写入文件成文本、HTML、XML或“带标签PDF”格式。
XML格式将给出关于PDF的大部分信息，由于它包含了每一个字母在文件中的位置以及字体信息。
不推举利用HTML格式，由于pdf2txt天生的标记每每会很丑。
以下是教你如何天生不同格式输出的方法：

第一条命令将创建一个HTML文件，而第二条将创建一个XML文件。

终极的结果看上去有点怪，但是它并不太糟糕。
XML格式的输出极其冗长，因此我不能将它完全地在这里重现，以下是一小段示例：

Tim McNamara以为PDFMiner利用起来太过屈曲和费力，因此他写了一个环绕它的包装器叫做slate，以使它更大略地从PDF中提取文本。
不幸的是，它和Python 3不兼容。
如果你想试用，你可能须要easy_install以便于安装distribute包，如下：

我不能利用pip 精确安装这个包。
然而一旦安装了它，你将能够利用pip来安装slate：

把稳最新的版本是0.5.2，而pip未必能拿到这个版本。
如果拿不到，那么你可以从GitHub上直接获取slate安装：

现在我们已经准备好写一些代码来从PDF中提取文本了：

正如你能看到的，让slate剖析一个PDF文件，你只须要引进slate然后创建一个它的PDF类的实例。
PDF类实在是Python内置类list的一个子类，以是它仅是返回了一列/可遍历的文本页。
如果PDF文件设有密码，你可以传入一个密码参数。
不管若何，一旦文件被剖析，我们只要打印出每一页的文本即可。

我非常喜好slate，它用起来更大略。
不幸的是，这个包也险些没有什么干系文档。
在浏览过它的源码之后，它看起来只支持纯文本提取。

导出你的数据

现在我们得到了一些文本，我们会花费一些韶光来学习如何导出数据成各种不同的格式。
详细来说，我们将学习如何以如下方法导出文本：

让我们开始吧！

可扩展标记措辞（XML）格式是最为人所熟知的输入输出格式之一。
它被广泛利用于互联网中的许多不同的事物。
正如我们已经在本贴中看到的，PDFMiner也支持XML作为它的输出之一。

话虽这么说，让我们创建我们自己的XML天生工具。
如下是一个大略的例子：

这段代码将利用Python内置的XML库，minidom和ElementTree。
我们也引入PDFMiner天生器代码以用于每次抓取一页文本。
在这个例子中，我们用PDF的文件名创建了我们顶层的元素。
然后在它的下层增加了一个页（Pages）元素。
下一步是for循环，在此循环中我们从PDF中提取每一页然后保存想要的信息。
此处你可以加入一个特定的剖析程序，个中你可以将页分成句子或者单词，从而剖析出更有趣的信息。
比如，你可能只想得到有某个特定名字或日期/韶光戳的句子。
你可以利用Python的正则表达式来找出这类东西，或者仅是检讨子字符串在句子中的存在。

对付这个例子，我们仅仅是提取了每一页的前100个字符并将其存入一个XML的子元素（SubElement）中。
接下来的一段代码可以简化成仅是写出XML文件。
然而，ElementTree不会做任何事来使得XML易读。
它末了看上去有点像压缩的JavaScript似的一块巨型文本。
以是我们在写入文件之前利用minidom 通过空格来“美化”XML，而不是将整块文本写入磁盘。
终极看上去像这样：

上面是俊秀干净的XML，同时它也是易读的。
锦上添花的是，你可以利用你在PyPDF2章节中所学到的知识从PDF中提取元数据（metadata），然后将其也加入到XML中。

JavaScript工具注释, 或者JSON, 是一种易读易写的轻量级的数据交流格式。
Python包含一个json 模块于它的标准库中，从而许可你用编程办法来读写JSON。
让我们利用从前一章节学到的内容来创建一个导出器脚本来输出JSON而不是XML：

这里，我们引入所须要的不同的库，包括PDFMiner模块。
然后创建一个函数，以PDF文件的输入路径和JSON文件的输出路径为参数。
在Python中JSON基本上便是一个字典，以是我们创建一对大略的顶层的键：Filename和Pages。
Pages键对应一个空的表单。
接着，我们循环遍历PDF的每一页并且提取每一页的前100个字符。
然后创建一个字典变量以页号作为键100个字符作为值并将其添加到顶层的页表单中。
末了，我们利用json 模块的dump 命令天生文件。

文件的内容终极看上去像这样：

又一次，我们得到了易读的输出。
你也可以通过PDF的元数据（metadata）来加强这个例子，如果你乐意的话。
请把稳输出将会改变，它依赖于你想从每一页或文档等分析出什么样的结果。

现在让我们来快速看一下若何导出CSV文件。

CSV是 comma separated values （逗号分隔值）的缩写。
它是一种俊秀的标准格式，并且已经存在了很永劫光。
CSV的优点便是Microsoft Excel和 LibreOffice都能够自动地以俊秀的电子表格的办法将它们打开。
你也可以在一个文本编辑器中打开CSV文件，如果你乐意看到它的原始值的话。

Python有一个内置的csv 模块，你可以用它来读写CSV文件。
在这里我们将用它从我们由PDF中提取的文本来创建一个CSV。
让我们看一下代码：

这个例子中，我们引入了Python的csv库。
除此以外，引入的库和前一个例子相同。
在函数中，我们利用CSV文件路径创建了一个CSV文件处理器。
然后用文件处理器作为唯一的参数初始化了一个CSV写入器工具。
接着像之前一样遍历了PDF页。
这里唯一的不同便是我们将前100个字符分割成了单个的词。
这将许可我们拥有一些真实的数据来加入到CSV中。
如果不这样做，那么每一行将只会有一个元素在个中，那就不算一个真正的CSV文件了。
末了，我们将一列单词写入CSV文件中。

这便是得到的结果：

我认为这个例子同JSON或XML的例子比较读起来难了点，但是它不算太难。
现在让我们连续来看一下若何才能将图片从PDF中提取出来。

不幸的是，并不存在Python包可以真正地做到从PDF中提取图片。
我找到的最靠近的东西是有一个叫minecart的项目流传宣传可以做到这一点，但是它只在Python 2.7上有效。
我没法使其运行于我的PDF样本。
在Ned Batchelder的博客上有一篇文章谈到了一点儿如何从PDF中提取JPG图片。
代码如下：

这同样对我利用的PDF文件无效。
有一些人在留言中流传宣传代码对他们的一些PDF文件有效，同时也有一些留言例举了修正后的代码。
Stack Overflow网站上有关于这个的各种代码，个中一些这样或那样地利用了PyPDF2。
但没有一个对我有效。

我的建议是利用一个类似于Poppler 的工具来提取图片。
Poppler有一个工具叫做pdfimages，你可以同Python的subprocess模块一起来利用。
以下是你如何在没有Python的情形下利用它：

请确保images文件夹（或你想新建的任何输出文件夹）已经被创建，由于pdfimages不会为你创建它。

让我们写一个Python脚本来实行同样的命令，请确保输出文件夹已经存在：

在这个例子中，我们引入了subprocess和os模块。
如果输出路径不存在，我们会考试测验创建它。
然后我们利用subprocess的call函数来实行pdfimages命令。
利用call函数是由于它将等到 pdfimages命令完备实行完才返回。
你可以代之以Popen，但是那将基本上在后台运行命令进程。
末了，我们打印出输出路径下的细节，以确定所有的图片都被提取进了个中。

还有一些网络上的其它文章引用了一个叫做Wand 的库，你也容许以试一试。
它是一个ImageMagick的包装器。
还有一个值得关注的是绑定了Poppler的Python叫做pypoppler，虽然我没有能够找到任何和这个包干系的提取图片的例子。

这篇文章网罗了很多信息。
我们学习了一些可以用来从PDF中提取文本的包，如PDFMiner或Slate。
我们还学习了如何利用Python的内置库来导出文本到XML、JSON和CSV。
末了，我们研究了一下从PDF中导出图片这个棘手的问题。
只管Python目前没有任何出色的库可以完成这个事情，你可以采取其它工具的变通方案，例如Poppler的pdfimage工具模块。

原文标题：

Exporting Data From PDFs With Python

原文链接：

https://dzone.com/articles/exporting-data-from-pdfs-with-python

译者简介

季洋，苏州某IT公司技能总监，从业20年，现在紧张卖力Java项目的方案和管理事情。
对大数据、数据挖掘和剖析项目跃跃欲试却苦于没有机会和数据。
目前正在摸索和学习中，也报了一些线上课程，希望对数据建模的运用处景有进一步的理解。
不能成为巨人，只希望可以站在巨人的肩膀上理解数据科学这个有趣的天下。

— 完 —

关注清华-青岛数据科学研究院官方微信"大众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。