如何用python将pdf转为text并提取其中的图片

要将 PDF 转为文本并提取其中的图片，可以使用 Python 的几个库来实现：

1. PDF 转文本：使用 PyMuPDF 或 pdfplumber 来提取文本。
2. 提取图片：使用 PyMuPDF 或 pdf2image 来提取图像。

以下是实现的步骤和代码示例：

1. 安装必要的库

你需要安装以下库：

pip install PyMuPDF pdfplumber Pillow

2. 代码示例

提取 PDF 中的文本

你可以使用 PyMuPDF 或 pdfplumber 来提取 PDF 中的文本。以下是使用 PyMuPDF 提取文本的示例：

import fitz  # PyMuPDF# 打开PDF文件
pdf_document = fitz.open("your_pdf_file.pdf")# 提取每页的文本
text = ""
for page_num in range(pdf_document.page_count):page = pdf_document.load_page(page_num)text += page.get_text()# 输出提取的文本
print(text)

提取 PDF 中的图片

PyMuPDF 可以提取 PDF 中的图像。下面是一个提取图像的示例：

import fitz  # PyMuPDF
import io
from PIL import Image# 打开PDF文件
pdf_document = fitz.open("your_pdf_file.pdf")# 遍历每页并提取图片
image_list = []
for page_num in range(pdf_document.page_count):page = pdf_document.load_page(page_num)# 获取页面的所有图像image_list.extend(page.get_images(full=True))# 保存提取的图像
for img_index, img in enumerate(image_list):xref = img[0]  # 图像的xrefbase_image = pdf_document.extract_image(xref)image_bytes = base_image["image"]# 使用Pillow保存图片image = Image.open(io.BytesIO(image_bytes))image.save(f"image_{img_index + 1}.png")

3. 解释代码：

• PyMuPDF (fitz): 用于处理 PDF 文件，包括提取文本和图像。
• get_text(): 提取页面中的文本。
• get_images(full=True): 提取页面中的所有图像。
• extract_image(): 提取图像内容，并通过 Pillow（PIL）将图像保存为文件。

4. 输出

• 代码会提取 PDF 中的所有文本，并将其打印出来。
• 代码会提取 PDF 中的所有图像，并保存为 PNG 文件。

要将 PDF 中的文本和图片按原本的顺序保存为一个新的文件（例如将文本和图片结合在一起，创建一个新的 PDF），可以使用 PyMuPDF 来处理这个任务。下面是如何提取 PDF 的文本和图片，并按照原始顺序将它们合并并保存为新 PDF 文件的步骤。

步骤：

1. 提取 PDF 中的文本和图片。
2. 创建新的 PDF，将提取的文本和图片按顺序添加到新的文件中。

1. 安装必要的库

首先，确保你已经安装了所需的库：

pip install PyMuPDF Pillow

2. 代码实现

下面的代码会从原始 PDF 中提取文本和图片，并将它们按顺序保存到一个新的 PDF 文件中。

import fitz  # PyMuPDF
import io
from PIL import Image# 打开原始PDF文件
pdf_document = fitz.open("your_pdf_file.pdf")
new_pdf_document = fitz.open()  # 创建一个新的PDF文件# 遍历每一页
for page_num in range(pdf_document.page_count):page = pdf_document.load_page(page_num)# 提取文本并添加到新页面text = page.get_text()# 创建新的页面，大小与原页面一致new_page = new_pdf_document.new_page(width=page.rect.width, height=page.rect.height)# 将文本添加到新页面new_page.insert_text((10, 10), text, fontsize=12)# 提取图片并添加到新页面image_list = page.get_images(full=True)for img_index, img in enumerate(image_list):xref = img[0]  # 图像的xrefbase_image = pdf_document.extract_image(xref)image_bytes = base_image["image"]# 使用Pillow保存图像并插入到新页面image = Image.open(io.BytesIO(image_bytes))image_path = f"image_{page_num + 1}_{img_index + 1}.png"image.save(image_path)# 在新页面中插入图片，指定位置img_rect = fitz.Rect(100, 100, 300, 300)  # 设置图片插入位置和大小new_page.insert_image(img_rect, filename=image_path)# 保存新的PDF文件
new_pdf_document.save("output_pdf_with_text_and_images.pdf")
new_pdf_document.close()

3. 代码解析：

• 提取文本：使用 get_text() 提取每页的文本内容。
• 提取图片：通过 get_images() 获取每页的图像，并使用 extract_image() 提取图像数据。提取出的图像会被保存在临时文件中，之后可以使用 insert_image() 将图片插入到新 PDF 页面中。
• 创建新的 PDF 页面：为每页创建新的页面，并将文本和图像插入到这些页面中。
• 保存新 PDF：使用 new_pdf_document.save() 方法将新的 PDF 保存为文件。

4. 输出

• 新生成的 PDF 文件将包含原始 PDF 中的文本和图像，且这些内容将按原始顺序排列。

注意事项：

1. 图片位置：图像插入位置可以根据需要调整，上述示例中将图片插入到页面的指定位置 (100, 100)。如果需要更精确的定位，可以调整 img_rect。
2. 文本格式：insert_text() 只是简单地将文本插入页面。若需要保留原始格式（如字体、大小等），可以考虑其他方法来更复杂地重建页面布局。
3. 图片大小：通过调整 insert_image() 的矩形区域，可以设置插入图片的大小。

此代码可以将原 PDF 文件中的文本和图片按顺序提取并重新创建成一个新的 PDF 文件。