PDF是人们日常使用最多的跨平台文档。其是一种用独立于应用程序、硬件、操作系统的方式呈现文档的文件格式。每个PDF文件包含固定布局的平面文档的完整描述，包括文本、字形、图形及其他需要显示的信息。具有良好的跨平台特性，但同时，也为抽取其内容带来了不便。
PDF最初版本于1993发行，最新版本为2.0。
今天，我们使得Python来抽取PDF文档中的文本与图片。
文本抽取
PDF文本抽取相对容易，效果最好的是pdfminer（/euske/pdfminer）。基本能抽取出所有文本。
pdfminer是开源的纯Python编写，支持最新至PDF 1.7版本。
pdfminer的使用比较简单
安装：
pip install pdfminer
使用：
python pdf2txt.py -o <抽取保存的文本文件名> -t text -O <源pdf文件>
如上就实现了文本抽取，抽取的是纯文本，无格式、字体等信息。
原文
抽取出的文本
pdfminer有个麻烦的地方，对于CJK编码的PDF文档，需要手动安装也能正常抽取文字。
图片抽取
PDF图片抽取是个比较难的问题，目前Python可以调用的比较好的库是PyMuPDF（/pymupdf/PyMuPDF）。PyPDF2（/mstamy2/PyPDF2）库也可以实现部分功能，但已于停止更新。
这些库的问题是，无法抽取出所有的图片，同时，抽取出的图片问题不一。
这里以 /pdf/1703.10135.pdf 文件为例。
使用PyMuPDF 代码如下：
import
抽取效果如下。整篇PDF文档，只抽取出如下的几个图片。
比如，第二页的图片就无法抽取出来。
理想状态下，第6页的图片与示例应该合并一成一张图抽取出来，但实际上是分开抽取。
好的。Python抽取PDF文字与图片的介绍就到这里。
大家有更好的图片抽取工具或方法，欢迎留言贡献，
