Python使用PDF相关组件案例详解
主要对pdfminer.six、pdfplumber、PyMuPDF、PyPDF2、PyPDF4、pdf2image、camelot-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。
相关文章:
Python使用PDF相关组件案例详解
主要对pdfminer.six、pdfplumber、PyMuPDF、PyPDF2、PyPDF4、pdf2image、camelot-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…...
day53 图论章节刷题Part05(并查集理论基础、寻找存在的路径)
并查集理论基础 基础内容 并查集常用来解决连通性问题,主要有两个功能: 将两个元素添加到一个集合中判断两个元素在不在同一个集合 将三个元素A,B,C (分别是数字)放在同一个集合,其实就是将…...
鸿蒙next选择 Flutter 开发跨平台应用的原因
在移动操作系统的竞争中,鸿蒙(HarmonyOS)自从发布以来便吸引了广泛的关注。作为华为主导的操作系统,鸿蒙的设计初衷是打破平台壁垒,实现设备间的无缝连接与应用共享。然而,要实现这一目标,仅仅依…...

shodan6-7---清风
shodan6-7 1.shodan网页版 以cve-2019-0708漏洞指纹特征为例 "\x03\x00\x00\x0b\x06\xd0\x00\x00\x124\x00"在这里插入图片描述 搜索命令参考 https://www.shodan.io/search/filters这个网页中有搜索关键词 对指定网址进行监控,这里可以对ip进行扫描&…...
FTP、ISCSI、CHRONY、DNS、NFS、DOCKER、MARIADB、NGINX、PHP、CA各服务开启方法
2.1 FTP 服务 (vsftpd) 安装 vsftpd: sudo yum install vsftpd -y 启动并设置开机自启: sudo systemctl start vsftpdsudo systemctl enable vsftpd 配置文件位于 /etc/vsftpd/vsftpd.conf,可根据需要修改配置。 2.2 SCSI 服务 SCSI 配…...

抢先体验AI领域的新宠儿:Llama3.1,部署实战探索!
本文简介 就在今天,Meta 发布了 Llama 3.1,这次带来的中杯、大杯和超大杯3个版本。 从纸面数据来看,Llama 3.1 超大杯已经能跟 GPT-4 Omni、Claude 3.5 Sonnet 分庭抗礼了。 而中杯和大杯更是将同量级的对手摁在地上摩擦。 要知道ÿ…...

HarmonyOS基础:鸿蒙系统组件导航Navigation
大家好!我是黑臂麒麟(起名原因:一个出生全右臂自带纹身的高质量程序员😏),也是一位6(约2个半坤年)的前端; 学习如像练武功一样,理论和实践要相结合࿰…...

【K8S问题系列】Kubernetes 中 Pod 无法通过 Service 名称访问服务的 DNS 解析失败【已解决】
在 Kubernetes 中,Service 提供了一种稳定的方式,通过名称访问一组 Pod。当其他 Pod 无法通过 Service 名称访问服务,并且出现 DNS 解析失败时,通常会导致应用无法正常工作。本文将详细分析此问题的常见原因及其解决方案。 一、问…...
【下载工具】Internet Download Manager下载器介绍
Internet Download Manager(简称IDM)作为一款功能强大的下载管理软件,以其高效、稳定的特点受到了广大用户的青睐。本文将为您详细介绍IDM的功能特性以及具体的使用方法。 功能特性 加速下载:IDM通过多线程下载技术,…...

如何打开/关闭 GitLab 的版本检查功能?
本文分享如何打开/关闭 GitLab 的版本检查功能。 极狐GitLab 是 GitLab 的中国发行版【https://dl.gitlab.cn/ncecn6kb】,中文版本对中国用户更友好,文章以私有化部署的极狐GitLab 实例来演示版本检查功能的开启和关闭。强烈不建议关闭该功能࿰…...
java-web-day13-事务管理+spring aop
事务管理: 事务回滚 默认情况下,只有出现runtimeException(运行时异常)才回滚, 而如果出现其他异常,例如受检异常, 就不会回滚事务, 不过可以加上rollbackfor属性用于控制出现何种异常类型, 回滚事务 事务传播: 当一个事务方法被另一个事务方法调用时, 这个事务方法应该如何进行…...

MySQL详细安装教程
一、从MySQL官网安装 可以翻译成中文看起来就舒服多了 下载并打开安装包,能看到版本是8.0.36,双击运行或者右键选择打开,打开后是一个安装向导,这个安装向导会先帮我们安装一个 mysql-installer 的程序,再通过该程序安…...

文件系统和日志管理
一、文件系统 1.概述 文件系统:文件系统提供了一个接口,用户用来访问硬件设备(硬盘)。硬件设备上对文件的管理。文件存储在硬盘上,硬盘最小的存储单位是512字节(扇区)。文件在硬盘上的最小存储…...
【LeetCode】【算法】208. 实现 Trie (前缀树)
LeetCode 208. 实现 Trie (前缀树) 题目描述 Trie(发音类似 “try”)或者说 前缀树 是一种树形数据结构,用于高效地存储和检索字符串数据集中的键。这一数据结构有相当多的应用情景,例如自动补全和拼写检查。 请你实现 Trie 类&…...

libaom 源码分析:帧间运动矢量预测
AV1 帧间运动矢量预测原理 运动矢量可以被相邻块预测,这些相邻块可以是空域相邻块,或位于参考帧中的时域相邻块;通过检查所有这些块,将确定一组运动矢量预测器,并用于编码运动矢量信息。空域运动矢量预测 两组空域相邻块可以被利用寻找空域 MV 预测器,第一组包括当前块的…...

Android TextView自动换行文本显示不全解决
某些情况下,TextView自动换行后,会出现每行结尾处显示不全的问题, 如图: 常见解决方案: 设置TextView的“ellipsize”属性为“end” 实测无效!将TextView外部的Layout改为RelativeLayout 实测无效&…...
【LeetCode】【算法】394. 字符串解码
LeetCode 394. 字符串解码 题目描述 给定一个经过编码的字符串,返回它解码后的字符串。 编码规则为: k[encoded_string],表示其中方括号内部的 encoded_string 正好重复 k 次。注意 k 保证为正整数。 你可以认为输入字符串总是有效的;输入字…...

最新整理:Selenium自动化测试面试题
1.selenium中如何判断元素是否存在? find_elements查找到的元素个数为0,find_element报错意味着元素不存在 2.如何判断元素是否出现? 判断元素是否出现,存在两种情况,一种是该元素压根就没有,自然不会出现;另外一种是有这样的…...

外包干了2年,快要废了。。。
先说一下自己的情况,普通本科,在外包干了2年多的功能测试,这几年因为大环境不好,我整个人心惊胆战的,怕自己卷铺盖走人了,我感觉自己不能够在这样蹉跎下去了,长时间呆在一个舒适的环境真的会让一…...

乐尚代驾十订单支付seata、rabbitmq异步消息、redisson延迟队列
账单信息 司机结束代驾之后,生成账单(包含账单信息和分账信息)司机发送账单给乘客乘客获取账单之后,进行支付 获取账单信息 order_bill表记录的账单信息,我们直接获取即可 Operation(summary "根据订单id获取…...

深入剖析AI大模型:大模型时代的 Prompt 工程全解析
今天聊的内容,我认为是AI开发里面非常重要的内容。它在AI开发里无处不在,当你对 AI 助手说 "用李白的风格写一首关于人工智能的诗",或者让翻译模型 "将这段合同翻译成商务日语" 时,输入的这句话就是 Prompt。…...

高频面试之3Zookeeper
高频面试之3Zookeeper 文章目录 高频面试之3Zookeeper3.1 常用命令3.2 选举机制3.3 Zookeeper符合法则中哪两个?3.4 Zookeeper脑裂3.5 Zookeeper用来干嘛了 3.1 常用命令 ls、get、create、delete、deleteall3.2 选举机制 半数机制(过半机制࿰…...

2021-03-15 iview一些问题
1.iview 在使用tree组件时,发现没有set类的方法,只有get,那么要改变tree值,只能遍历treeData,递归修改treeData的checked,发现无法更改,原因在于check模式下,子元素的勾选状态跟父节…...
C++ 基础特性深度解析
目录 引言 一、命名空间(namespace) C 中的命名空间 与 C 语言的对比 二、缺省参数 C 中的缺省参数 与 C 语言的对比 三、引用(reference) C 中的引用 与 C 语言的对比 四、inline(内联函数…...
Hive 存储格式深度解析:从 TextFile 到 ORC,如何选对数据存储方案?
在大数据处理领域,Hive 作为 Hadoop 生态中重要的数据仓库工具,其存储格式的选择直接影响数据存储成本、查询效率和计算资源消耗。面对 TextFile、SequenceFile、Parquet、RCFile、ORC 等多种存储格式,很多开发者常常陷入选择困境。本文将从底…...

[免费]微信小程序问卷调查系统(SpringBoot后端+Vue管理端)【论文+源码+SQL脚本】
大家好,我是java1234_小锋老师,看到一个不错的微信小程序问卷调查系统(SpringBoot后端Vue管理端)【论文源码SQL脚本】,分享下哈。 项目视频演示 【免费】微信小程序问卷调查系统(SpringBoot后端Vue管理端) Java毕业设计_哔哩哔哩_bilibili 项…...

【网络安全】开源系统getshell漏洞挖掘
审计过程: 在入口文件admin/index.php中: 用户可以通过m,c,a等参数控制加载的文件和方法,在app/system/entrance.php中存在重点代码: 当M_TYPE system并且M_MODULE include时,会设置常量PATH_OWN_FILE为PATH_APP.M_T…...

pikachu靶场通关笔记19 SQL注入02-字符型注入(GET)
目录 一、SQL注入 二、字符型SQL注入 三、字符型注入与数字型注入 四、源码分析 五、渗透实战 1、渗透准备 2、SQL注入探测 (1)输入单引号 (2)万能注入语句 3、获取回显列orderby 4、获取数据库名database 5、获取表名…...
vue3 daterange正则踩坑
<el-form-item label"空置时间" prop"vacantTime"> <el-date-picker v-model"form.vacantTime" type"daterange" start-placeholder"开始日期" end-placeholder"结束日期" clearable :editable"fal…...

Elastic 获得 AWS 教育 ISV 合作伙伴资质,进一步增强教育解决方案产品组合
作者:来自 Elastic Udayasimha Theepireddy (Uday), Brian Bergholm, Marianna Jonsdottir 通过搜索 AI 和云创新推动教育领域的数字化转型。 我们非常高兴地宣布,Elastic 已获得 AWS 教育 ISV 合作伙伴资质。这一重要认证表明,Elastic 作为 …...