MENU
  1. ホーム
  2. Uncategorized
  3. 【Python】PyPDFを使ってPDFを分解・結合、テキスト・画像抽出する

【Python】PyPDFを使ってPDFを分解・結合、テキスト・画像抽出する

Uncategorized

PDF化までは標準的な環境でも「PDFで印刷」で対応できます。
PDFで貰った資料に、WORD文書をPDF化して、あとはこれを結合したいんだけどな、というシーンはないでしょうか。
有料ツールが利用できる環境ならであれば特に問題ないでしょう。
フリーのツールでどうにかしているけど、これ自分で作ってしまえばもっと融通が利くのにな、と思ったことはありませんか？

そんな方向けに、PythonでPDFを編集できるライブラリ「PyPDF」をご紹介したいと思います。
具体的には、次についてのサンプルコードをご紹介します。
・PDFの分解
・PDFの結合
・PDFからテキスト抽出
・PDFから画像抽出

それでは、詳しく見ていきましょう！

目次

PyPDFバージョンちがいについて

今回、私も調べていたのですが、PyPDFはバージョンがとてもややこしいです。

PyPDFからpyPDF2と移り、その後PyPDF4というモジュールもリリースされたようですが、メインストリームとしてはPyPDF2が使われていたようです。
その後、2023年6月時点の最新としてはPyPDFに戻ったようです。

モジュールを使う側としては、次を気を付ける必要があります。
・インストールするモジュールの変更
・関数の変更

実際に、参考にしたサンプルコードでは関数が古く、エラーになったりがありました。
エラーコード内で、「instead of ～」のように、関数名を変更するよう示唆がありました。

今回、執筆にあたって使ったバージョンは次の通りです。
・Pypdf 3.9.1

不具合などありましたら、モジュールの種類とバージョンに気を付けてみてください。

PyPDFのインストール

まずはモジュールのインストールからです。
普通の手順でインストールできます。

pip install PyPDF

先述のバージョンちがいで動作が怪しそうであれば、
次のようにバージョンを指定してインストールします。

pip install PyPDF==3.9.1

PyPDFのバージョン確認方法

先述のとおり、PyPDFにはモジュール名やバージョンで仕様が異なります。
次の方法でバージョンを確認できます。。

import pypdf

#動作確認したモジュールのバージョン：pypdf 3.9.1
# モジュールのバージョン
print(f"{pypdf.__name__} バージョン: {pypdf.__version__}")

このようにモジュールのバージョンが表示されます。

PDFの分解

ここからは具体的な使い方をご紹介していきたいと思います。
まずはPDFの分解からです。

PDF読み込み

次のようにしてPDFを読み込みます。

import pypdf

# 読み込みPDFを指定
reader = pypdf.PdfReader("sorce.pdf")

PDFページ数の取得

PDFは複数ページの場合が多いです。総ページ数を取得します。

import pypdf

# PDFページ数の取得
total_pages = len(reader.pages)
print(f"total_pages= {total_pages}")

PDFの分割

PDFを分割する関数そのものはありません。
先で何となくわかるかもしれませんが、ページを指定して個別のPDFファイルとして保存します。
次の例では「sourcepage = reader.pages[n]」でn番目のページをソースに指定しています。
「writer = pypdf.PdfWriter()」で書き込み用の関数を呼び出し、ファイル出力させています。

import pypdf

sourcepage = reader.pages[n]
#pdf = reader.pages[0]
writer = pypdf.PdfWriter()
writer.add_page(sourcepage)
with open(f"{path}p{n}.pdf", "wb") as fp:        
    writer.write(fp)
writer.close()

サンプルコード

これらを合体し、nページのPDFサンプルを、ページ個別にPDFファイル分割するサンプルがこちらです。

import pypdf
import os

#動作確認したモジュールのバージョン：pypdf 3.9.1
# モジュールのバージョン
print(f"{pypdf.__name__} バージョン: {pypdf.__version__}")

# 読み込みPDFを指定
reader = pypdf.PdfReader("sorce.pdf")

# PDFページ数の取得
total_pages = len(reader.pages)
print(f"total_pages= {total_pages}")

# 保存ディレクトリ作成
path = "./splited/"
if not os.path.exists(path):
        os.makedirs(path)

# PDFをページごとに分割
for n in range(total_pages):
    sourcepage = reader.pages[n]
    #pdf = reader.pages[0]
    writer = pypdf.PdfWriter()
    writer.add_page(sourcepage)
    with open(f"{path}p{n}.pdf", "wb") as fp:        
        writer.write(fp)
    writer.close()

実行結果がこちらです。
下記のフォルダ構成になっています。

「splited」フォルダの中には、下記のようにページごとに分割したPDFファイルが作成されます。

PDFの結合

PDFの結合は、実は分割とそう変わりません。
各ページごとに出力していたのを、すべてappendしてからファイル出力するだけです。

ということで、いきなりサンプルコードをみてみましょう！

サンプルコード

同じディレクトリに置いた「input1.pdf」、「input2.pdf」、「input3.pdf」を結合して、
「output.pdf」として出力します。

import pypdf

#動作確認したモジュールのバージョン：pypdf 3.9.1
# モジュールのバージョン
print(f"{pypdf.__name__} バージョン: {pypdf.__version__}")

def merge_pdfs(input_paths, output_path):
    writer = pypdf.PdfWriter()
    for input_path in input_paths:
        print(input_path)
        writer.append(input_path)

    writer.write(output_path)
    writer.close()

# マージしたいPDFリスト
pdf_lists = ["input1.pdf", "input2.pdf", "input3.pdf"]

# マージ
merge_pdfs(pdf_lists, "output.pdf")

batから実行した結果がこちらです。
無事「output.pdf」を出力できました。ファイルサイズでもちゃんと「input1.pdf」～「input3.pdf」を結合したサイズになっています。

PDFからテキスト抽出

次はPDFからテキスト抽出してみたいと思います。

結合のところでやった内容がほとんどです。

変わるのは次の部分です。

import pypdf

# PDFファイルの読み込み
reader = pypdf.PdfReader("sorce.pdf")
# テキスト抽出
pdf = reader.pages[page]
text = pdf.extract_text()
print(text)

pdfをページ指定で読み込み、「extract_text()」でテキスト出力します。

サンプルコード

同様にいきなりサンプルコードを見てみましょう。

PDF内の全ページのテキストを抽出し、出力したいと思います。

import pypdf

#動作確認したモジュールのバージョン：pypdf 3.9.1
# モジュールのバージョン
print(f"{pypdf.__name__} バージョン: {pypdf.__version__}")

# PDFファイルの読み込み
reader = pypdf.PdfReader("sorce.pdf")

# PDFページ数の取得
total_pages = len(reader.pages)

all_text = ""
# ページ内のテキスト取得
for page in range(total_pages):
    pdf = reader.pages[page]
    text = pdf.extract_text()
    print(text)
    all_text += text

batから実行した結果がこちらです。
無事、テキストを取得することができました。

今回、練習サンプルに使った資料はこちらです。SDGsに関する公開資料です。

持続可能な開発目標（SDGs）
指標仮訳 PDF版 最終更新日：2021年6月

PDFから画像抽出

最後に画像抽出をやってみたいと思います。

こちらも実はページ取得時にできていまして、取得したものを取り出すだけです。
「reader.pages[page]」で取得したページに対して、「page.images」に画像リストが格納されています。
下記のようにして、ファイル出力すると取り出せます。

import pypdf

# PDFの読み込み
reader = pypdf.PdfReader("sorce.pdf")

# ページの取得
page = reader.pages[page]

# ページ内の全画像出力
for image_file_object in page.images:
    filename = f"{path}{str(count)}_{image_file_object.name}"
    print(filename)
    with open(filename, "wb") as fp:        
        fp.write(image_file_object.data)
        count += 1

サンプルコード

ひと手間掛けて、PDF内の全ページについて画像抽出してみます。
サンプルコードがこちらです。

import pypdf
import os

#動作確認したモジュールのバージョン：pypdf 3.9.1
# モジュールのバージョン
print(f"{pypdf.__name__} バージョン: {pypdf.__version__}")

# PDFの読み込み
reader = pypdf.PdfReader("sorce.pdf")

# PDFページ数の取得
total_pages = len(reader.pages)

count = 0
for page in range(total_pages):
    # ページの取得
    page = reader.pages[page]
    # 保存ディレクトリ作成
    path = "./img/"
    if not os.path.exists(path):
            os.makedirs(path)
    # ページ内の全画像出力
    for image_file_object in page.images:
        filename = f"{path}{str(count)}_{image_file_object.name}"
        print(filename)
        with open(filename, "wb") as fp:        
            fp.write(image_file_object.data)
            count += 1

bat実行すると、次のようになります。

練習サンプルに使った資料は、同じくSDGsに関する公開資料を使いました。
無事、画像抽出できました。

以上になります。
どの「PyPDF」を使うか？で躓かなければ、適切なサンプルコードが見つかると思います。
何か動かない。。。でハマることもないと思います。
もし、うまくいかないようでしたら、冒頭にも述べましたが、PyPDFの種類、バージョンをよくご確認ください。
くどいようですが、今回使用させて頂いたのはこちらのモジュールでした。

・Pypdf 3.9.1

この記事が少しでもお役に立てれば幸いです。
それでは、読んで頂きありがとうございました！

Uncategorized
よかったらシェアしてね！
  • URLをコピーしました！
  • URLをコピーしました！
目次