python利用fitz库将pdf文件转换成html或者图片文件
对于存在分栏的pdf文件，可以利用fitz库进行处理：
方式一：利用ocr技术对图片进行处理
方式二：转换成html文件后进行处理
代码：
import os import pytesseract import cv2 as cv import fitz from PIL import Image from tqdm import tqdm class PdfHandler: def run(self): '''执行入口''' # 将指定pdf文件转换成html文件 self.pdf_to_html('test.pdf','test.html') # 解析html文件 self.parse_html('test.html') # 将pdf文件转换成图片 self.pdf_to_img('test.pdf','img_dir',5,5,0) # 解析图片 for img_name in os.listdir('img_dir'): abs_img_name = f'img_dir/{img_name}' self.parse_img(abs_img_name) def pdf_to_html(self,pdf_path,html_path): ''' pdf文件转换成html文件 :param pdf_path: pdf文件路径 :param html_path: html文件路径 :return: ''' # 打开pdf文件，并新建html文件 with fitz.open(pdf_path) as pdf,open(html_path,'w',encoding='utf-8',newline='') as html_file: html_content = ''' <!DOCTYPE html> <html lang=en> <head> <meta charset=UTF-8> <title>pdf转换后的html文件</title> </head> <body> ''' # 遍历每一页pdf，并显示进度条 for page in tqdm(pdf): html_content += page.get_text('html') # 提取每页内容为html html_content += '</body></html>' html_file.write(html_content) # 写入html文件 def pdf_to_img(self,pdf_path,img_path,zoom_x,zoom_y,rotation_angle): ''' pdf文件每页内容都转换成图片 :param pdf_path: :param img_path: :param zoom_x: :param zoom_y: :param rotation_angle: :return: ''' # 如果没有存储文件的目录，则创建 if not os.path.exists(img_path): os.mkdir(img_path) # 打开PDF文件 with fitz.open(pdf_path) as pdf: # 逐页读取PDF for page_index in tqdm(range(0, pdf.pageCount)): page = pdf[page_index] # 设置缩放和旋转系数,zoom_x, zoom_y取相同值，表示等比例缩放 trans = fitz.Matrix(zoom_x, zoom_y).prerotate(rotation_angle) pm = page.getPixmap(matrix=trans, alpha=False) # 开始写图像 page_num = page_index + 1 # 页码从1开始 pm.writePNG(f'{img_path}/{page_num}.png') # 第1张图片名：1.png，以此类推 def parse_img(self,img_name): ''' 利用opencv+pytesseract解析图片中的文字 :param img_name: 具体图片名 :return: ''' img = cv.imread(img_name) text = pytesseract.image_to_string(Image.fromarray(img), lang='eng') # lang可以根据文本内容来定，简体中文：chi_sim print(text) def parse_html(self,html_name): ''' 解析html文件，比如xpath等 :param html_name: html文件名 :return: ''' pass