我要评论一、提取基于文本的 pdf 内容
1. 使用 pypdf2 提取纯文本
pypdf2 是一个轻量级但功能强大的库，适合用于读取和提取标准文本型 pdf 中的内容。
安装
pip install pypdf2
示例代码
import pypdf2
def extract_text_from_pdf(pdf_path):
with open(pdf_path, 'rb') as file:
reader = pypdf2.pdfreader(file)
text = ""
for page in reader.pages:
text += page.extract_text()
return text
# 使用示例
pdf_path = 'example.pdf'
extracted_text = extract_text_from_pdf(pdf_path)
print(extracted_text)
注意：对于格式复杂或字体嵌入的 pdf，某些页面可能无法正确提取文本。
2. 使用 pdfplumber 提取表格和布局复杂的文本
如果你需要提取含有表格、列布局或精确坐标信息的 pdf，pdfplumber 是更合适的选择。
安装
pip install pdfplumber
示例代码
import pdfplumber
def extract_text_from_pdf(pdf_path):
with pdfplumber.open(pdf_path) as pdf:
text = ""
for page in pdf.pages:
text += page.extract_text()
return text
# 使用示例
pdf_path = 'example.pdf'
extracted_text = extract_text_from_pdf(pdf_path)
print(extracted_text)
特点：支持表格识别、文字坐标定位等功能。
二、提取扫描图像型 pdf 内容（ocr）
对于由扫描图片组成的 pdf 文件，必须借助 光学字符识别（ocr）技术 来提取其中的文字。
1. 安装依赖项
你需要安装 tesseract ocr 引擎以及对应的 python 封装库。
windows：
- 下载并安装 tesseract ocr
- 添加 tesseract 到系统环境变量（例如路径为
c:\program files\tesseract-ocr\tesseract.exe） - 安装 python 库：
pip install pytesseract pillow pdf2image
- 安装 poppler（用于将 pdf 转换为图像）：
- 可以从 github - poppler-windows 下载并解压，同样添加到系统 path。
linux / macos：
sudo apt install tesseract-ocr libpoppler-cpp-dev # ubuntu/debian brew install tesseract poppler # macos (homebrew) pip install pytesseract pillow pdf2image
2. 示例代码：结合 pdf2image + pytesseract 提取扫描 pdf 内容
from pdf2image import convert_from_path
import pytesseract
from pil import image
def extract_text_from_scanned_pdf(pdf_path):
# 将 pdf 转换为图像列表
images = convert_from_path(pdf_path)
extracted_text = ""
for image in images:
# 对每张图片执行 ocr
text = pytesseract.image_to_string(image)
extracted_text += text + "\n"
return extracted_text
# 使用示例
pdf_path = 'scanned_example.pdf'
text = extract_text_from_scanned_pdf(pdf_path)
print(text)
说明：该方法会逐页将 pdf 转换为图像，再通过 ocr 提取文字，适用于高质量扫描件。
三、总结与建议
| pdf 类型 | 推荐库 | 特点 |
|---|---|---|
| 纯文本型 pdf | pypdf2 或 pdfplumber | 快速、高效，适合标准 pdf 文档 |
| 扫描图像型 pdf | pdf2image + pytesseract | 支持 ocr，适合图像型 pdf，但速度较慢 |
建议：
- 优先判断 pdf 类型：可以尝试用
pypdf2提取看看是否有返回内容，若为空则可能是扫描图像。 - 提高 ocr 准确率：可先对图像进行预处理（如灰度化、二值化），再传给
pytesseract。 - 多语言支持：tesseract 支持多种语言包，可通过
-l参数指定语言，如pytesseract.image_to_string(img, lang='chi_sim')提取中文。
四、扩展功能推荐
| 功能 | 工具 | 描述 |
|---|---|---|
| 表格识别 | camelot 或 tabula-py | 专门用于提取 pdf 中表格数据 |
| pdf 加密破解 | pikepdf | 可用于打开加密 pdf 文件（需密码） |
| pdf 合并与拆分 | pypdf2 / pypdf | 拆分、合并、旋转 pdf 页面 |
| pdf 注释提取 | pdfminer.six | 提供底层解析能力，适合高级用途 |
结语
无论是处理普通的文本型 pdf 还是扫描图像型 pdf，python 都提供了丰富的第三方库来帮助我们实现高效的文本提取。掌握这些工具不仅能提升办公效率，还能为数据分析、文档管理、信息自动化等场景打下坚实基础。
以上就是使用python提取pdf文件中内容的代码示例和使用技巧的详细内容，更多关于python提取pdf文件内容的资料请关注代码网其它相关文章！
发表评论