【学习记录】如何使用 Python 提取 PDF 文件中的内容

news2025/6/9 1:46:22

如何使用 Python 提取 PDF 文件中的内容

在文档自动化处理、数据提取和信息分析等任务中，从 PDF 文件中提取文本是一项常见需求。PDF 文件通常分为两种类型：基于文本的 PDF 和 包含扫描图像的 PDF。

本文将介绍如何使用 Python 分别提取这两种类型的 PDF 内容，并提供完整的代码示例和实用技巧。

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