Python PDF 提取库

在本教程中，我们将学习用于 PDF 数据提取的 Python 库，以便进行进一步分析。我们将介绍重要的 Python 库。

PDF 是便携式文档格式，通常用于安全地存储数据。PDF 简历的创建方式多种多样。例如——一些求职者以 word 格式制作简历并将其保存为 PDF，而另一些则使用在线简历模板创建。因此，我们的任务是解析 PDF 简历并提取所有文本，而不丢失信息。

以下是用于从 PDF 文件中提取文本的重要 Python 库。

• PyPDF2
• Tika
• Textract
• PyMuPDF
• PDFtotext
• PDFminer
• Tabula

我们将介绍每个文档以及 Python 代码。

PyPDF2

PyPDF2 是一个完整的 Python 包，可用于执行多种 PDF 操作。我们可以使用此模块执行以下任务。

• 我们可以在 Python 中从 PDF 提取信息。
• 我们可以旋转页面。
• 我们可以合并两个或多个 PDF。
• 我们可以分割 PDF。
• 我们可以添加水印。
• 我们可以加密 PDF。

要使用此模块，我们需要使用 pip 命令将其安装在本地计算机上。

现在让我们来理解以下从 PDF 中提取数据的代码。

示例 -

在上面的代码中，我们打印了 PDF 中的页面数。我们也可以提取信息。

使用 PyPDF2 的缺点

以下是 PyPDF2 软件包的缺点。

• 但是，此库可以提取文本，但无法保留原始 PDF 中文本的结构。
• 它不保留表格结构。
• 它还会将不必要的空格和换行符包含在提取的文本中。
• 它还会将不必要的空格和换行符包含在提取的文本中。

Textract

存在几个用于从各种格式的文件中提取内容的包。Textract 库与其他库略有不同；它提供了一个单一的接口，可以从任何文件中删除内容，而无需任何不相关的标记。

Textract 还用于从 PDF 文件和其他格式中提取信息，包括 CSV、doc、eml、epub、JSON、jpg、mp3、msg、xls 等。

最重要的是要记住，它以字节格式提取信息。要将字节数据转换为字符串，我们需要使用另一个 Python 包进行解码，例如 codecs。

让我们通过 Textract、输入 PDF 和输出提取文本来理解以下使用 Textract 从 PDF 中提取文本的代码。

示例 -

此包可以提取信息而不会丢失任何数据。它保留了原始文档的原始结构；但是，表格结构未被保留。

这是推荐的文本提取库，不仅适用于 PDF，也适用于其他类型的文件。

PyMuPDF

PyMuPDF 是 MuPDF 的 Python 绑定，MuPDF 是一个轻量级的 PDF 查看器。它不完全基于 Python，并且该包以其卓越的性能和高质量的渲染而闻名。

使用 PyMuPDF，我们可以从 Python 脚本中访问扩展名为 *.pdf, *.xps, *.oxps, *.epub, *.cbz 或 *.fb2 的文件。还支持几种流行的图像格式，包括多页 TIFF 图像。

我们可以使用 PyMuPDF 提取多页文档的信息。它还允许我们通过提供页码来获取特定页面的信息。以下是使用 PyMuPDF 从 PDF 中提取文本的代码。

示例 -

该库可以删除文本中不必要的空格，因此预处理的文本清理任务会自动由该包完成。

PyMuPDF 能够保持文档的结构。但是，以原始格式提取表格并不可行，并且不建议删除表格数据。我们将不得不使用一些其他包来保留表格中的信息。该库在处理 PDF 的文本数据时提供了有效的结果。

PDFtotext

PDFtotext 是另一个基于 Python 的包，用于从 PDF 文件中提取文本。它只能读取 PDF 文件的数据，不支持其他格式。数据以对象的形式移除，并且 PDF 的结构得以保留。

以下是从 PDF 获取数据的代码。

示例 -

使用此库的主要优点是它可以保留 PDF 的表格结构及其文本。如果你想提取表格数据，这个库比之前的库更合适。

PDFMiner

PDFMiner 是一个基于 Python 的包，仅用于提取 PDF 文件。它还可以将 PDF 文件转换为其他文件格式，如 HTML/XML。PDFMiner 有各种版本，最新版本兼容 python 3.6 及以上版本。

该库以 API 请求响应的形式提供其响应。这就是为什么这个包比其他纯 Python 包需要更多时间的原因。

让我们理解以下示例 -

示例 -

Tabula

Tabula 是基于 Java 的，主要用于读取 PDF 中的表格数据。它是 tabular-java 的一个简单 Python 包装器，它提取信息并将其保存到 Python Dataframe 中。我们可以将该 Dataframe 转换为 CSV、tsv、excel 或 JSON 文件格式。

在下面的代码中，我们使用 Tabula 包以及输入 PDF 和输出提取的文本，从 PDF 文件中提取表格到 DataFrame 中。

示例 -

此库对于提取表格信息非常有用。将 Tabula 与上面提到的其他包一起使用，可以有效地提取完整的 PDF。

结论

本教程包含一些重要的 Python 库，用于从 PDF 中提取文本。这些库各有优缺点；然而，有些适用于提取文本，有些则擅长从表格中提取数据。我们可以根据自己的需求进行选择。我们还包含了代码示例。让我们看看讨论过的库的总结——

1. PyPDF2 - 这个库不太推荐，因为它不保留格式。
2. Tika - 要使用 Tike，我们需要安装 Java，并且必须熟悉 Java 安装，涉及不必要的 Java 连接，适合提取内容，关键元数据。
3. Textract - 它返回一个字节对象，我们需要将其转换为字符串。
4. PyMuPDF - 它从 PDF 文件中提取文本，删除文本中不必要的空格，并保留文档的原始结构。
5. PDFminer - 它保留 PDF 文件文本的结构，但不保留表格结构。
6. PDFtoText - 它是最推荐的库，因为它保留了表格和原始结构。