PDF文件格式
现在，可移植文档格式(PDF)属于最经常使用的数据格式。在1990年，PDF文档的结构由Adobe定义。PDF格式的思想是，对于通讯过程当中涉及的双方(建立者，做者或发送者以及接收者)而言，传输的数据/文档看起来彻底相同。html
工具和库
适用于Python的PDF工具，模块和库的可用解决方案范围有些混乱，须要花一点时间弄清楚什么是什么，以及哪些项目须要连续维护。根据咱们的研究，如下是最新的候选人：python
PyPDF2：一个Python库，用于提取文档信息和内容，逐页拆分文档，合并文档，裁剪页面并添加水印。PyPDF2支持未加密和加密的文档。git
PDFMiner：彻底用Python编写，适用于Python 2.4。对于Python 3，请使用克隆的包PDFMiner.six。这两个软件包都容许您解析，分析和转换PDF文档。这包括对PDF 1.7以及CJK语言(中文，日文和韩文)的支持，以及各类字体类型(Type1，TrueType，Type3和CID)。github
pdflibfor Python：Poppler库的扩展，为它提供了Python绑定。它使您能够解析，分析和转换PDF文档。不要将其与具备相同名称的商业吊坠相混淆。工具
PyFPDF：一个在Python下生成PDF文档的库。从FPDFPHP库移植而来，这是著名的PDFlib扩展替换，其中包含许多示例，脚本和派生类。性能
PDFTables：一项商业服务，提供从PDF文档附带的表格中提取的内容。提供一个API，以便PDFTables能够用做SAAS。字体
PyX-Python图形包：PyX是用于建立PostScript，PDF和SVG文件的Python包。它结合了PostScript绘图模型的抽象和TeX / LaTeX接口。这些基元能够构建复杂的任务，例如以可发布的质量建立2D和3D绘图。网站
ReportLab：一个雄心勃勃的，具备行业实力的图书馆，主要致力于精确建立PDF文档。免费提供开放源代码版本和名为ReportLab PLUS的商业加强版本。this
PyMuPDF(又称“ fitz”)：MuPDF的Python绑定，这是一种轻量级的PDF和XPS查看器。该库能够访问PDF，XPS，OpenXPS，epub，漫画和小说书格式的文件，而且以其最佳性能和高渲染质量而闻名。加密
pdfrw：一个基于Python的纯PDF解析器，用于读写PDF。它忠实地再现矢量格式而无需光栅化。与ReportLab结合使用时，它有助于在使用ReportLab建立的新PDF中重用现有PDF的一部分。
图书馆
用于
PyPDF2
读
PyMuPDF
读
pdflib
读
PDF表格
读
PDFMiner.six
读
PDF查询
读
pdfrw
读，写/创做
PyFPDF
写/创做
咱们将重点介绍PyPDF2和PyMuPDF，并说明如何以最简单的方式提取文本和图像。为了了解PyPDF2的用法，官方文档和许多其余资源提供的示例的组合对您有所帮助。相比之下，官方PyMuPDF文档更加清晰，而且使用该库的速度也大大加快。
使用PyPDF2提取文本
$ pip3 install PyPDF2
清单1首先导入了PdfFileReader该类。接下来，使用该类打开文档，并使用getDocumentInfo()方法提取文档信息，使用提取页数getDocumentInfo()以及第一页的内容。
请注意，PyPDF2从0开始计数页面，这就是该调用pdf.getPage(0)检索文档第一页的缘由。最终，提取的信息被打印到stdout。
清单1：提取文档信息和内容。
#!/usr/bin/python
from PyPDF2 import PdfFileReader
pdf_document = "example.pdf"
with open(pdf_document, "rb") as filehandle:
pdf = PdfFileReader(filehandle)
info = pdf.getDocumentInfo()
pages = pdf.getNumPages()
print (info)
print ("number of pages: %i" % pages)
page1 = pdf.getPage(0)
print(page1)
print(page1.extractText())
如上面的图1所示，提取的文本是连续打印的。没有段落或句子分隔。如PyPDF2文档中所述，全部文本数据都按照在页面内容流中提供的顺序返回，而且依靠它可能会致使一些意外。这主要取决于PDF文档的内部结构，以及PDF编写器过程如何生成PDF指令流。
使用PyMuPDF提取文本
可从PyPi网站上获取PyMuPDF，并在终端中使用如下命令安装软件包：
$ pip3 install PyMuPDF
显示文档信息，打印页数以及提取PDF文档的文本的方式与PyPDF2类似(请参见清单2)。要导入的模块名为fitz，并返回到PyMuPDF的先前名称。
清单2：使用PyMuPDF从PDF文档中提取内容。
#!/usr/bin/python
import fitz
pdf_document = "example.pdf"
doc = fitz.open(pdf_document)
print ("number of pages: %i" % doc.pageCount)
print(doc.metadata)
page1 = doc.loadPage(0)
page1text = page1.getText("text")
print(page1text)
PyMuPDF的优势是能够保持原始文档结构完整-带有换行符的整个段落都保留在PDF文档中(参见图2)。
使用PyMuPDF从PDF提取图像
PyMuPDF使用该方法简化了从PDF文档提取图像的过程getPageImageList()。清单3基于PyMuPDF Wiki页面上的示例，并逐页地将PDF中的全部图像提取并保存为PNG文件。若是图像具备CMYK色彩空间，则将首先将其转换为RGB。
清单3：提取图像
#!/usr/bin/python
import fitz
pdf_document = fitz.open("file.pdf")
for current_page in range(len(pdf_document)):
for image in pdf_document.getPageImageList(current_page):
xref = image[0]
pix = fitz.Pixmap(pdf_document, xref)
if pix.n < 5: # this is GRAY or RGB
pix.writePNG("page%s-%s.png" % (current_page, xref))
else: # CMYK: convert to RGB first
pix1 = fitz.Pixmap(fitz.csRGB, pix)
pix1.writePNG("page%s-%s.png" % (current_page, xref))
pix1 = None
pix = None
在400页PDF上运行此Python脚本，它在不到3秒的时间内提取了117张图像，这真是了不得。单个图像以PNG格式存储。为了保持原始图像的格式和大小，而不是转换为PNG，请查看PyMuPDF Wiki中脚本的扩展版本。
使用PyPDF2将PDF拆分为页面
对于此示例，首先须要同时导入PdfFileReader和和PdfFileWriter类。而后，咱们打开PDF文件，建立一个阅读器对象，并使用阅读器对象的getNumPages方法遍历全部页面。
在for循环内部，咱们建立的新实例PdfFileWriter，该实例尚不包含任何页面。而后，使用pdfWriter.addPage()方法将当前页面添加到咱们的writer对象。此方法接受一个页面对象，咱们使用该PdfFileReader.getPage()方法获取该对象。
下一步是建立一个惟一的文件名，咱们使用原始文件名加上单词“ page”以及页码来完成。咱们在当前页码上加1，由于PyPDF2会计算从零开始的页码。
最后，咱们以“写二进制”模式(modewb)打开新文件名，并使用该类的write()方法pdfWriter将提取的页面保存到磁盘。
清单4：将PDF拆分为单个页面。
#!/usr/bin/python
from PyPDF2 import PdfFileReader, PdfFileWriter
pdf_document = "example.pdf"
pdf = PdfFileReader(pdf_document)
for page in range(pdf.getNumPages()):
pdf_writer = PdfFileWriter()
current_page = pdf.getPage(page)
pdf_writer.addPage(current_page)
outputFilename = "example-page-{}.pdf".format(page + 1)
with open(outputFilename, "wb") as out:
pdf_writer.write(out)
print("created", outputFilename)
查找全部包含文本的页面
这个用例很是实用，而且工做方式相似于pdfgrep。该脚本使用PyMuPDF返回包含给定搜索字符串的全部页码。页面一页接一页地加载，借助该searchFor()方法，将检测到搜索字符串的全部出现状况。若是匹配则在上面印有相应的信息stdout。
清单5：搜索给定的文本。
#!/usr/bin/python
import fitz
filename = "example.pdf"
search_term = "invoice"
pdf_document = fitz.open(filename):
for current_page in range(len(pdf_document)):
page = pdf_document.loadPage(current_page)
if page.searchFor(search_term):
print("%s found on page %i" % (search_term, current_page))
下面的图5显示了一本400页的书中“ Debian GNU / Linux”一词的搜索结果。
结论
此处显示的处理PDF方法很是强大。使用相对较少的代码行数，很容易得到结果。
