脚本如何提取PDF文字内容

本文目录导读：

1. 方法一：使用 Python 库（最灵活，适合批量、自动化）
2. 方法二：命令行工具（适合单次快速提取、不写代码）
3. 方法三：图形化工具（完全无需编程）
4. 常见问题与解决方案
5. 总结推荐

提取PDF文字内容有多种方法,具体取决于你的技术背景、使用场景（单次提取 vs 批量处理）以及对格式保真度的要求。

以下是几种主流且高效的提取方式,按推荐度排序：

使用 Python 库（最灵活，适合批量、自动化）

首选：PyMuPDF (fitz) 这是目前速度最快、提取精度最高的库之一，特别擅长处理复杂的排版。

• 安装：pip install PyMuPDF

• 示例代码：

  import fitz  # PyMuPDF
  def extract_text_pymupdf(pdf_path):
      doc = fitz.open(pdf_path)
      full_text = ""
      for page_num in range(len(doc)):
          page = doc.load_page(page_num)
          # extract_text() 会按阅读顺序提取
          text = page.get_text()
          full_text += text
      doc.close()
      return full_text
  # 使用
  text = extract_text_pymupdf("你的文件.pdf")
  print(text)

备选：pdfplumber 如果PDF中的文字是以表格形式存在，或者需要精准的坐标信息，pdfplumber 比 PyMuPDF 更好用。

• 安装：pip install pdfplumber

• 示例代码：

  import pdfplumber
  def extract_text_pdfplumber(pdf_path):
      with pdfplumber.open(pdf_path) as pdf:
          full_text = ""
          for page in pdf.pages:
              # 提取文字，也可以提取表格 page.extract_tables()
              text = page.extract_text()
              if text:  # 防止空页报错
                  full_text += text
      return full_text
  text = extract_text_pdfplumber("你的文件.pdf")

传统选择：PyPDF2 / pypdf PyPDF2 是经典库，但维护较少。pypdf 是它的继承者，功能类似但更现代。

• 安装：pip install pypdf

• 示例：

  from pypdf import PdfReader
  reader = PdfReader("你的文件.pdf")
  full_text = ""
  for page in reader.pages:
      full_text += page.extract_text()
  print(full_text)

  注意：pypdf 对某些非标准编码的PDF提取效果可能不如 pymupdf。

命令行工具（适合单次快速提取、不写代码）

pdftotext (Linux/Mac/WSL/Windows via poppler) 这是最经典、最可靠的开源工具，速度快，支持布局保留。

• 安装：

  • Ubuntu/Debian: sudo apt install poppler-utils
  • Mac: brew install poppler
  • Windows: 下载 poppler for Windows 并添加到环境变量。

• 使用：

  # 提取全部文本
  pdftotext input.pdf output.txt
  # 保留布局（类似 PDF 的视觉排列）
  pdftotext -layout input.pdf output.txt
  # 只提取第一页
  pdftotext -f 1 -l 1 input.pdf output.txt

Mutool (随 PyMuPDF 附带的工具) 如果安装了 PyMuPDF，通常在 fitz 目录下会附带 mutool。

• 使用：

  mutool draw -F text input.pdf > output.txt

图形化工具（完全无需编程）

如果你只是偶尔需要提取,不想安装任何环境，推荐：

PDF24 Tools（在线/桌面） 免费、无广告、支持 OCR，拖拽上传即可提取文本。

Adobe Acrobat Pro 付费软件，但功能最强大，可以直接“导出为” -> “文本”。

浏览器直接查看 将 PDF 拖入 Chrome/Edge 浏览器，Ctrl+A 全选 -> Ctrl+C 复制 -> 粘贴到记事本，最简单，但对排版复杂的内容可能丢字。

常见问题与解决方案

总结推荐

• 我是程序员，想批量/自动化：直接上 pip install pymupdf pdfplumber，用 fitz 提取常规文本，用 pdfplumber 处理表格。
• 我只用一次，不想装东西：打开浏览器，用 PDF24 或 直接拖入Chrome全选复制。
• PDF是扫描件（图片）：上述方法都不行，需要 OCR，推荐 PaddleOCR 或 EasyOCR（有免费额度），或者 Adobe Acrobat 自带的 OCR 功能。