pip install Spire.PDF

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

def WriteAllText(fname: str, text: List[str]):
    """輔助函數(shù)：將文本列表寫入文件"""
    fp = open(fname, "w", encoding="utf-8")
    for s in text:
        fp.write(s)
    fp.close()

# 定義輸入和輸出文件路徑
inputFile = "./Demos/Data/PDFTemplate-Az.pdf"
outputFile = "ExtractTextFromParticularPage.txt"

# 創(chuàng)建 PDF 文檔對象
doc = PdfDocument()
# 加載 PDF 文件
doc.LoadFromFile(inputFile)

# 獲取第一頁
page = doc.Pages[0]

# 創(chuàng)建文本提取器并保持空白格式
textExtractor = PdfTextExtractor(page)
option = PdfTextExtractOptions()
text = textExtractor.ExtractText(option)

# 將提取的文本寫入文件
WriteAllText(outputFile, text)
doc.Close()

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

def WriteAllText(fname: str, text: List[str]):
    """輔助函數(shù)：將文本寫入文件"""
    fp = open(fname, "w", encoding="utf-8")
    for s in text:
        fp.write(s)
    fp.close()

# 定義輸入和輸出文件路徑
inputFile = "/輸入文檔.pdf"
outputFile = "ExtractTextFromSpecificArea.txt"

# 加載 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile(inputFile)

# 獲取第一頁
page = pdf.Pages[0]

# 從頁面的特定矩形區(qū)域提取文本
# RectangleF 參數(shù)：x坐標, y坐標, 寬度, 高度
pdfTextExtractor = PdfTextExtractor(page)
pdfTextExtractOptions = PdfTextExtractOptions()
pdfTextExtractOptions.ExtractArea = RectangleF(80.0, 180.0, 500.0, 200.0)
text = pdfTextExtractor.ExtractText(pdfTextExtractOptions)

# 保存文本到文件
sb = []
sb.append(text)
WriteAllText(outputFile, sb)
pdf.Close()

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

# 創(chuàng)建 PdfDocument 對象
doc = PdfDocument()
# 加載 PDF 文檔
doc.LoadFromFile("輸入文檔.pdf")

# 創(chuàng)建 PdfImageHelper 對象
image_helper = PdfImageHelper()

image_count = 1
# 遍歷文檔中的頁面
for i in range(doc.Pages.Count):
    # 獲取當前頁面中的圖片信息集合
    images_info = image_helper.GetImagesInfo(doc.Pages[i])

    # 遍歷圖片信息并保存圖片
    for j in range(len(images_info)):
        image_info = images_info[j]
        # 設置輸出文件名
        output_file = f"圖片-{image_count}.png"
        # 直接通過 Image 對象保存文件
        image_info.Image.Save(output_file)
        image_count += 1

doc.Close()

from spire.pdf import *
import os

inputFile = "./Demos/Data/Extraction.pdf"

# 創(chuàng)建 PDF 文檔
doc = PdfDocument()
doc.LoadFromFile(inputFile)

# 創(chuàng)建緩沖區(qū)存儲提取的文本
sbuffer = []
# 定義圖片對象數(shù)組用于緩存
images = []
# 實例化 PdfImageHelper
imageHelper = PdfImageHelper()

# 遍歷文檔中的每一頁
for i in range(doc.Pages.Count):
    page = doc.Pages.get_Item(i)

    # 創(chuàng)建 PdfTextExtractor 對象并提取文本
    pdfTextExtractor = PdfTextExtractor(page)
    pdfTextExtractOptions = PdfTextExtractOptions()
    sbuffer.append(pdfTextExtractor.ExtractText(pdfTextExtractOptions))
    
    # 獲取頁面中的所有圖片并存入緩存
    imageInfo = imageHelper.GetImagesInfo(page)
    for info in imageInfo:
        images.append(info.Image)

# 保存提取的文本到文件
fileName = "Extraction.txt"
with open(fileName, "w", encoding="utf-8") as fp:
    for s in sbuffer:
        fp.write(s + "\n")

# 保存頁面中的所有圖片
for index, img in enumerate(images):
    img_path = os.path.join("./Demos/Data", f"Image-{index}.png")
    img.Save(img_path)

# 關閉文檔
doc.Close()

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


# 創(chuàng)建 PdfDocument 對象
doc = PdfDocument()

# 加載 PDF 文檔
doc.LoadFromFile("/input/項目進度.pdf")

# 創(chuàng)建 Workbook 對象
workbook = Workbook()
# 清除默認工作表
workbook.Worksheets.Clear()

# 創(chuàng)建 PdfTableExtractor 對象
extractor = PdfTableExtractor(doc)

sheetNumber = 1

# 遍歷 PDF 文件中的頁面
for pageIndex in range(doc.Pages.Count):
    # 從當前頁面提取表格
    tableList = extractor.ExtractTable(pageIndex)

    # 遍歷表格
    if tableList is not None and len(tableList) > 0:
        for table in tableList:
            # 為當前表格添加一個工作表
            sheet = workbook.Worksheets.Add(f"Sheet{sheetNumber}")

            # 獲取表格的行數(shù)和列數(shù)
            row = table.GetRowCount()
            column = table.GetColumnCount()

            # 遍歷表格的行和列
            for i in range(row):
                for j in range(column):
                    # 獲取當前單元格中的文本
                    text = table.GetText(i, j)

                    # 將文本寫入工作表的指定單元格
                    sheet.Range[i + 1, j + 1].Value = text

            sheetNumber += 1

# 將工作簿保存為 CSV 文件
workbook.SaveToFile("/output/提取表格.csv", FileFormat.CSV)
workbook.Dispose()
doc.Close()

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

def ExtractContentFromPdfFolder(input_folder: str, output_folder: str):
    """從文件夾中的所有 PDF 文件提取文本和圖片"""
    
    # 如果輸出文件夾不存在則創(chuàng)建
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)
    
    # 遍歷輸入文件夾中的所有文件
    for filename in os.listdir(input_folder):
        if filename.endswith(".pdf"):
            # 構建完整的文件路徑
            input_path = os.path.join(input_folder, filename)
            base_name = os.path.splitext(filename)[0]
            
            # 創(chuàng)建子文件夾存放提取的內容
            content_folder = os.path.join(output_folder, base_name)
            if not os.path.exists(content_folder):
                os.makedirs(content_folder)
            
            # 加載 PDF 文檔
            doc = PdfDocument()
            doc.LoadFromFile(input_path)
            
            # 提取文本和圖片
            all_text = []
            image_count = 0
            
            for i in range(doc.Pages.Count):
                page = doc.Pages.get_Item(i)
                
                # 提取文本
                textExtractor = PdfTextExtractor(page)
                options = PdfTextExtractOptions()
                text = textExtractor.ExtractText(options)
                all_text.append(f"--- 第 {i+1} 頁 ---\n{text}")
                
                # 提取圖片
                imageHelper = PdfImageHelper()
                imageInfo = imageHelper.GetImagesInfo(page)
                for info in imageInfo:
                    image_count += 1
                    img_path = os.path.join(content_folder, f"Image-{image_count}.png")
                    info.Image.Save(img_path)
            
            # 保存文本
            text_file = os.path.join(content_folder, "extracted_text.txt")
            with open(text_file, "w", encoding="utf-8") as fp:
                for t in all_text:
                    fp.write(t + "\n\n")
            
            doc.Close()
            print(f"已處理: {filename} (提取了 {image_count} 張圖片)")

# 使用示例
input_folder = "./PDF文檔"
output_folder = "./提取內容"
ExtractContentFromPdfFolder(input_folder, output_folder)