很多時候，我們并不會預知希望提取的頁号，而是希望将包含指定内容的頁面提取合并為新PDF，本文就以兩個真實需求為例進行講解。
【注】資料、代碼、技術交流，文末擷取
01 需求描述
資料是一份有286頁的上市公司公開年報PDF，大緻如下
現在需要利用 Python 完成以下兩個需求
需求一：提取所有包含 戰略 二字的頁面并合并新PDF
需求二：提取所有包含圖檔的頁面，并分别儲存為 PDF 檔案
02 前置知識和邏輯梳理
2.1 PyPDF2
PyPDF2
PyPDF2
導入子產品的代碼常常是：
from PyPDF2 import PdfFileReader, PdfFileWriter 這裡導入了兩個方法：
-
PdfFileReader
-
PdfFileWriter
利用
PyPDF2
實作合并運用的一下邏輯：
- 讀取器将所有pdf讀取一遍
- 讀取器将讀取的内容交給寫入器
- 寫入器統一輸出到一個新pdf
隐含知識點：讀取器隻能将讀取的内容一頁一頁交給寫入器
2.2 擷取與添加頁面
之前我們的推文中提到這兩個代碼，下面列出作為複習：
-
.getPage
-
.addPage
2.3 圖檔和文字的處理
要實作本文的需求還要做到很重要的一個判斷：确定頁面中有無包含的文字或圖檔
判斷是否包含特定的文字比較簡單，周遊每一頁的時候都将包含的文本抽提出，做字元串層面的判斷即可，代碼思路：
- 利用
pdfplumber
- 擷取指定的頁，或者周遊每一頁
- 利用
.extract_text()
- 判斷 “戰略” 是否在提取的文字中
判斷是否包含圖檔，思路和上面是類似的，但方法不同。圖檔考慮用正則的方法識别，用
fitz
和
re
配合，具體見下文代碼
03 代碼實作
3.1 需求一的實作
首先來完成需求一的任務，導入需要用到的庫：讀取寫入PDF檔案的
PyPDF2
以及抽提文本的
pdfplumber
from PyPDF2 import PdfFileReader, PdfFileWriter
import pdfplumber 指定檔案所在的路徑，同時初始化寫入器，将檔案交給讀取器：
path = r'C:\xxxxxx'
pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(path + r'\公司年報.PDF') 以上下文管理器形式通過
pdfplumber
打開檔案，同時用
.getNumPages
擷取讀取器的最大頁利于周遊每一頁來抽提文字：
with pdfplumber.open(path + r'\公司年報.PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text()) 我們抽提文字的目的是用來判斷，将符合要求的頁碼作為讀取器
.getPage
的參數，最後用
.addPage
交給寫入器：
with pdfplumber.open(path + r'\公司年報.PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text())
if '戰略' in page.extract_text():
pdf_writer.addPage(pdf_reader.getPage(i))
print(i + 1, page.extract_text()) 完成識别後讓寫入器輸出為需要的檔案名：
with open(path + r'\new_公司年報.pdf', 'wb') as out:
pdf_writer.write(out) 至此，我們就完成了包含特定文字内容頁面的提取，并整合成一個PDF。所有的頁面均包含“戰略”二字：
需求一完整代碼如下，感興趣的讀者可以自行研究
from PyPDF2 import PdfFileReader, PdfFileWriter
import pdfplumber
path = r'C:\xxx'
pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(path + r'\公司年報.PDF')
with pdfplumber.open(path + r'\公司年報.PDF') as pdf:
for i in range(pdf_reader.getNumPages()):
page = pdf.pages[i]
print(page.extract_text())
if '戰略' in page.extract_text():
pdf_writer.addPage(pdf_reader.getPage(i))
print(i + 1, page.extract_text())
with open(path + r'\new_公司年報1.pdf', 'wb') as out:
pdf_writer.write(out) 3.2 需求二的實作
接下來完成需求二的任務。首先導入需要的庫：
from PyPDF2 import PdfFileReader, PdfFileWriter
import fitz
import re
import os 指定檔案所在的路徑：
path = r'C:\xxxxxx' 正則識别圖檔的部分不細講，之前的推文已經介紹過，我們直接看代碼：
page_lst = []
checkImg = r"/Subtype(?= */Image)"
pdf = fitz.open(path + r'\公司年報.PDF')
lenXREF = pdf._getXrefLength()
for i in range(lenXREF):
text = pdf._getXrefString(i)
isImage = re.search(checkImg, text)
if isImage:
page_lst.append(i)
print(page_lst) 擷取到所有包含圖檔的頁面後，再結合讀取器和寫入器的配合就能完成新 PDF 的産生。注意本需求是所有圖檔單獨輸出，是以擷取到頁面後交給寫入器直接輸出成檔案：
pdf_reader = PdfFileReader(path + r'\公司年報.PDF')
for page in page_lst:
pdf_writer = PdfFileWriter()
pdf_writer.addPage(pdf_reader.getPage(page))
with open(path + r'\公司年報_{}.pdf'.format(page + 1), 'wb') as out:
pdf_writer.write(out) 至此也完成了第二個需求。需要說明的是目前沒有非常完美提取PDF圖檔的方法，本案例介紹的方法識别圖檔也并不穩定。讀者可以利用自己的資料多做嘗試。完整代碼如下：
from PyPDF2 import PdfFileReader, PdfFileWriter
import fitz
import re
import os
path = r'C:\xxx'
page_lst = []
checkImg = r"/Subtype(?= */Image)"
pdf = fitz.open(path + r'\公司年報.PDF')
lenXREF = pdf._getXrefLength()
for i in range(lenXREF):
text = pdf._getXrefString(i)
isImage = re.search(checkImg, text)
if isImage:
page_lst.append(i)
print(page_lst)
pdf_reader = PdfFileReader(path + r'\公司年報.PDF')
for page in page_lst:
pdf_writer = PdfFileWriter()
pdf_writer.addPage(pdf_reader.getPage(page))
with open(path + r'\公司年報_{}.pdf'.format(page + 1), 'wb') as out:
pdf_writer.write(out)