1. 完整的PDF处理代码
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
PDF处理工具 - 使用pdfplumber提取PDF内容
功能特性：
1. 提取所有文本或指定页面文本
2. 提取表格并导出为CSV/Excel
3. 提取PDF元数据
4. 提取并保存图片
5. 支持自定义文本提取参数
6. 自动处理FontBBox错误
安装依赖：
pip install pdfplumber pillow pandas openpyxl
"""
import pdfplumber
from PIL import Image
import pandas as pd
import logging
import warnings
import os
import argparse
from datetime import datetime
# 配置日志和警告抑制
logging.basicConfig(level=logging.ERROR)
warnings.filterwarnings('ignore')
logging.getLogger('pdfplumber').setLevel(logging.CRITICAL)
logging.getLogger('pdfminer').setLevel(logging.CRITICAL)
logging.getLogger('PIL').setLevel(logging.CRITICAL)
class PDFProcessor:
"""PDF处理类"""
def __init__(self, pdf_path, laparams=None):
"""初始化PDF处理器"""
self.pdf_path = pdf_path
self.laparams = laparams or {
"detect_vertical": False,
"line_overlap": 0.5,
"char_margin": 2.0,
"word_margin": 0.1,
"line_margin": 0.5,
"boxes_flow": 0.5
}
self.pdf = None
self.pages = []
self.output_dir = "pdf_output"
# 创建输出目录
os.makedirs(self.output_dir, exist_ok=True)
def open_pdf(self):
"""打开PDF文件"""
try:
self.pdf = pdfplumber.open(self.pdf_path, laparams=self.laparams)
self.pages = self.pdf.pages
print(f"✓ 成功打开PDF: {os.path.basename(self.pdf_path)}")
print(f" 总页数: {len(self.pages)}")
return True
except Exception as e:
print(f"✗ 无法打开PDF: {e}")
return False
def close_pdf(self):
"""关闭PDF文件"""
if self.pdf:
self.pdf.close()
print(f"✓ 已关闭PDF文件")
def extract_metadata(self):
"""提取PDF元数据"""
if not self.pdf:
print("✗ PDF未打开")
return None
try:
metadata = self.pdf.metadata
print("\n📋 PDF元数据:")
for key, value in metadata.items():
if value:
print(f" {key}: {value}")
return metadata
except Exception as e:
print(f"✗ 提取元数据失败: {e}")
return None
def extract_text(self, page_numbers=None, max_chars=1000):
"""提取文本内容"""
if not self.pages:
print("✗ 没有可处理的页面")
return ""
all_text = ""
pages_to_process = page_numbers or range(len(self.pages))
print("\n📄 正在提取文本...")
for idx in pages_to_process:
if 0 <= idx < len(self.pages):
try:
page = self.pages[idx]
page_text = self._safe_extract_text(page)
if page_text:
page_num = idx + 1
all_text += f"\n=== 第 {page_num} 页 ===\n"
all_text += page_text + "\n"
print(f" ✓ 第 {page_num} 页: {len(page_text)} 字符")
else:
print(f" ? 第 {idx + 1} 页: 无文本")
except Exception as e:
print(f" ✗ 第 {idx + 1} 页: 错误 - {e}")
else:
print(f" ⚠ 第 {idx + 1} 页: 页面不存在")
if all_text:
print(f"\n📊 文本提取统计:")
print(f" 总字符数: {len(all_text)}")
if max_chars > 0:
print(f"\n📝 提取的文本预览 ({max_chars} 字符):")
print(all_text[:max_chars] + "...")
# 保存完整文本到文件
text_file = os.path.join(self.output_dir, "extracted_text.txt")
with open(text_file, "w", encoding="utf-8") as f:
f.write(all_text)
print(f"\n✓ 完整文本已保存到: {text_file}")
return all_text
def extract_tables(self, page_numbers=None, export_to_csv=True):
"""提取表格内容"""
if not self.pages:
print("✗ 没有可处理的页面")
return []
all_tables = []
pages_to_process = page_numbers or range(len(self.pages))
table_count = 0
print("\n📊 正在提取表格...")
for idx in pages_to_process:
if 0 <= idx < len(self.pages):
try:
page = self.pages[idx]
tables = page.extract_tables()
if tables:
page_num = idx + 1
print(f"\n--- 第 {page_num} 页 表格 ---")
for table_idx, table in enumerate(tables):
table_count += 1
print(f" 表格 {table_idx + 1}:")
print(f" 行数: {len(table)}, 列数: {len(table[0]) if table else 0}")
# 显示表格前3行
for i, row in enumerate(table[:3]):
cleaned_row = [cell if cell else "" for cell in row]
print(f" {cleaned_row}")
if len(table) > 3:
print(f" ... (共 {len(table)} 行)")
all_tables.append((page_num, table_idx + 1, table))
# 导出表格到CSV
if export_to_csv and table:
try:
csv_file = os.path.join(self.output_dir, f"table_page{page_num}_{table_idx + 1}.csv")
df = pd.DataFrame(table[1:], columns=table[0] if len(table) > 1 else [f"列{i+1}" for i in range(len(table[0]))])
df.to_csv(csv_file, index=False, encoding="utf-8-sig")
print(f" ✓ 已导出到: {csv_file}")
except Exception as e:
print(f" ✗ 导出失败: {e}")
else:
print(f" ? 第 {idx + 1} 页: 无表格")
except Exception as e:
print(f" ✗ 第 {idx + 1} 页: 错误 - {e}")
print(f"\n📊 表格提取统计:")
print(f" 总表格数: {table_count}")
return all_tables
def extract_images(self, page_numbers=None):
"""提取图片内容"""
if not self.pages:
print("✗ 没有可处理的页面")
return 0
image_count = 0
pages_to_process = page_numbers or range(len(self.pages))
print("\n🖼️ 正在提取图片...")
for idx in pages_to_process:
if 0 <= idx < len(self.pages):
try:
page = self.pages[idx]
images = page.images
if images:
page_num = idx + 1
print(f"\n--- 第 {page_num} 页 图片 ---")
for img_idx, img in enumerate(images):
image_count += 1
print(f" 图片 {img_idx + 1}:")
print(f" 位置: {img['bbox']}")
print(f" 尺寸: {img['width']}x{img['height']}")
if 'stream' in img:
try:
pil_img = Image.open(img['stream'])
img_file = os.path.join(self.output_dir, f"image_page{page_num}_{img_idx + 1}.png")
pil_img.save(img_file)
print(f" ✓ 已保存到: {img_file}")
except Exception as e:
print(f" ✗ 保存失败: {e}")
else:
print(f" ? 第 {idx + 1} 页: 无图片")
except Exception as e:
print(f" ✗ 第 {idx + 1} 页: 错误 - {e}")
print(f"\n📊 图片提取统计:")
print(f" 总图片数: {image_count}")
return image_count
def _safe_extract_text(self, page):
"""安全提取文本，处理FontBBox错误"""
try:
return page.extract_text()
except Exception:
# 失败时尝试简化参数
try:
return page.extract_text(x_tolerance=3, y_tolerance=3)
except Exception:
return None
def batch_process(self, extract_text=True, extract_tables=True, extract_images=True, page_numbers=None):
"""批量处理PDF"""
start_time = datetime.now()
print(f"\n🚀 开始批量处理 - {start_time.strftime('%H:%M:%S')}")
print(f" 输出目录: {self.output_dir}")
if not self.open_pdf():
return False
try:
# 提取元数据
self.extract_metadata()
# 提取文本
if extract_text:
self.extract_text(page_numbers)
# 提取表格
if extract_tables:
self.extract_tables(page_numbers)
# 提取图片
if extract_images:
self.extract_images(page_numbers)
end_time = datetime.now()
duration = (end_time - start_time).total_seconds()
print(f"\n🎉 处理完成 - 耗时: {duration:.2f} 秒")
print(f"📁 所有文件已保存到: {self.output_dir}")
return True
finally:
self.close_pdf()
def parse_arguments():
"""解析命令行参数"""
parser = argparse.ArgumentParser(description='PDF内容提取工具')
parser.add_argument('pdf_path', nargs='?', default=r'c:\Users\czliu\Documents\python\慢慢变富.pdf',
help='PDF文件路径')
parser.add_argument('--text', action='store_true', help='仅提取文本')
parser.add_argument('--tables', action='store_true', help='仅提取表格')
parser.add_argument('--images', action='store_true', help='仅提取图片')
parser.add_argument('--pages', type=str, help='指定页面范围 (例如: 1-5,7,9-10)')
parser.add_argument('--all', action='store_true', help='提取所有内容 (默认)')
return parser.parse_args()
def parse_page_numbers(page_str, total_pages):
"""解析页面范围字符串"""
if not page_str:
return None
page_numbers = []
parts = page_str.split(',')
for part in parts:
part = part.strip()
if '-' in part:
start, end = part.split('-')
try:
start = int(start.strip())
end = int(end.strip())
page_numbers.extend(range(start-1, min(end, total_pages)))
except ValueError:
print(f"⚠ 无效的页面范围: {part}")
else:
try:
page = int(part.strip())
if 1 <= page <= total_pages:
page_numbers.append(page-1)
except ValueError:
print(f"⚠ 无效的页码: {part}")
return sorted(list(set(page_numbers)))
if __name__ == "__main__":
"""主函数"""
args = parse_arguments()
# 确定要提取的内容
extract_text = args.text or args.all or not (args.tables or args.images)
extract_tables = args.tables or args.all or not (args.text or args.images)
extract_images = args.images or args.all or not (args.text or args.tables)
# 处理PDF
processor = PDFProcessor(args.pdf_path)
# 解析页面范围
page_numbers = None
if args.pages:
# 先打开PDF获取总页数
if processor.open_pdf():
page_numbers = parse_page_numbers(args.pages, len(processor.pages))
processor.close_pdf()
# 执行批量处理
processor.batch_process(
extract_text=extract_text,
extract_tables=extract_tables,
extract_images=extract_images,
page_numbers=page_numbers
)
print("\n📋 使用帮助:")
print(" python treat_pdf_file.py --text # 仅提取文本")
print(" python treat_pdf_file.py --tables # 仅提取表格")
print(" python treat_pdf_file.py --images # 仅提取图片")
print(" python treat_pdf_file.py --pages 1-5 # 提取指定页面")
print(" python treat_pdf_file.py your_file.pdf # 处理指定PDF")
print(" python treat_pdf_file.py your_file.pdf --all # 提取所有内容")
### 2. 使用说明
1. **安装依赖**：
bash
pip install pdfplumber pillow pandas openpyxl
2. **运行程序**：
bash
python treat_pdf_file.py
“`
- 命令行选项：
--text – 仅提取文本--tables – 仅提取表格--images – 仅提取图片--pages – 指定页面范围（例如：1-5、1,3,5）--all – 提取所有内容（默认）
- 输出结果：
- 所有提取的内容将保存在
pdf_output 文件夹中
- 文本保存在
extracted_text.txt
- 表格保存在
table_pageX_Y.csv
- 图片保存在
image_pageX_Y.png
3. 主要功能改进
- 完整的面向对象设计：使用
PDFProcessor 类封装所有功能
- 命令行界面：支持灵活的参数控制
- 智能错误处理：自动处理FontBBox等常见PDF错误
- 警告抑制：通过日志配置消除烦人的警告信息
- 输出管理：统一保存到
pdf_output 目录
- 详细反馈：实时显示处理进度和结果
- 安全提取：实现了备用文本提取机制
