Python 提取PDF文本和圖片

從PDF中提取內容能幫助我們獲取文件中的信息，以便進行進一步的分析和處理。此外，在遇到類似項目時，提取出來的文本或圖片也能再次利用。要在Python中通過代碼提取PDF文件中的文本和圖片，可以使用 Spire.PDF for Python 這個第三方庫。具體操作方法查閱下文。

• Python 提取PDF文本
• Python 提取PDF頁面中指定矩形區域的文本
• Python 提取PDF圖片

安裝 Spire.PDF for Python

本文中用到的Python PDF庫支持在各種 Python 程式中創建、讀取、編輯、轉換和保存 PDF 文檔。要安裝此產品，可使用以下 pip 命令。

pip install Spire.PDF

要瞭解詳細安裝教程，參考： 如何在 VS Code 中安裝 Spire.PDF for Python

使用 Python 提取PDF文本

Spire.PDF for Python 提供的 PdfPageBase.ExtractText() 方法能提取一個 PDF 頁面中文本。根據你的具體需求，你可以選擇僅提取某頁中的文本，或者遍歷所有頁面以提取整個PDF文件中的文本。完整Python代碼如下：

from spire.pdf import *
from spire.pdf.common import *

# 創建PdfDocument類的實例
pdf = PdfDocument()

# 載入PDF文檔
pdf.LoadFromFile("大數據.pdf")

# 創建一個TXT文件來保存提取的文本
extractedText = open("Output/提取文本.txt", "w", encoding="utf-8")

# 遍歷文檔的每一頁
for i in range(pdf.Pages.Count):
    # 獲取頁面
    page = pdf.Pages.get_Item(i)
    # 從頁面提取文本
    text = page.ExtractText()
    # 將文本寫入TXT文件
    extractedText.write(text + "\n")

extractedText.close()
pdf.Close()

使用 Python 提取PDF頁面中指定矩形區域的文本

如果你只需要提取某個PDF頁面中指定區域的文本，你可以指定一個矩形範圍然後使用 PdfPageBase.ExtractText(RectangleF rectangleF) 方法提取其中的文本內容。完整Python代碼如下：

from spire.pdf import *
from spire.pdf.common import *

# 創建PdfDocument類的對象
pdf = PdfDocument()

# 載入PDF文檔
pdf.LoadFromFile("大數據.pdf")

# 獲取第一頁
page = pdf.Pages.get_Item(0)

# 從頁面的指定矩形區域提取文本
text = page.ExtractText(RectangleF(0.0, 400.0, 770.0, 180.0))

# 將提取的文本保存到TXT文件中
extractedText = open("Output/PDF文本.txt", "w", encoding="utf-8")
extractedText.write(text)
extractedText.close()
pdf.Close()

使用 Python 提取PDF圖片

除了提取文本外，Spire.PDF for Python 還提供了 PdfPageBase.ExtractImages() 方法來提取PDF文件中的圖片。要提取一個PDF文件中的所有圖片並保存到指定路徑，參考以下Python代碼。

from spire.pdf import *
from spire.pdf.common import *

# 創建PdfDocument類的實例
pdf = PdfDocument()

# 載入PDF文檔
pdf.LoadFromFile("大數據.pdf")

# 創建一個列表來存儲圖篇
images = []

# 遍歷文檔的每一頁
for i in range(pdf.Pages.Count):
    # 獲取頁面
    page = pdf.Pages.get_Item(i)
    # 從頁面提取圖片並存儲在創建的列表中
    for img in page.ExtractImages():
        images.append(img)

# 保存圖像
i = 0
for image in images:
    i += 1
    image.Save("Output/圖片/圖片-{0:d}.png".format(i), ImageFormat.get_Png())

pdf.Close()