Python PDF提取案例如何提取PDF文字

本文目录导读：

1. 使用PyMuPDF (推荐)
2. 使用pdfplumber (适合表格提取)
3. 使用PyPDF2 (基础功能)
4. 高级案例：带格式提取
5. 批量处理多个PDF
6. 提取特定页面的文字
7. 安装依赖
8. 比较各库特点

我来分享几个Python提取PDF文字的常用案例。

使用PyMuPDF (推荐)

import fitz  # PyMuPDF
def extract_text_pymupdf(pdf_path):
    """使用PyMuPDF提取PDF文字"""
    doc = fitz.open(pdf_path)
    text = ""
    for page_num in range(len(doc)):
        page = doc[page_num]
        text += page.get_text()
    doc.close()
    return text
# 使用示例
pdf_text = extract_text_pymupdf("example.pdf")
print(pdf_text)

使用pdfplumber (适合表格提取)

import pdfplumber
def extract_text_pdfplumber(pdf_path):
    """使用pdfplumber提取PDF文字"""
    with pdfplumber.open(pdf_path) as pdf:
        text = ""
        for page in pdf.pages:
            text += page.extract_text() + "\n"
    return text
# 使用示例
pdf_text = extract_text_pdfplumber("example.pdf")
print(pdf_text)

使用PyPDF2 (基础功能)

import PyPDF2
def extract_text_pypdf2(pdf_path):
    """使用PyPDF2提取PDF文字"""
    with open(pdf_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        text = ""
        for page_num in range(len(pdf_reader.pages)):
            page = pdf_reader.pages[page_num]
            text += page.extract_text()
    return text
# 使用示例
pdf_text = extract_text_pypdf2("example.pdf")
print(pdf_text)

高级案例：带格式提取

import fitz
import pandas as pd
def extract_text_with_format(pdf_path):
    """提取文字并保持基本格式"""
    doc = fitz.open(pdf_path)
    results = []
    for page_num in range(len(doc)):
        page = doc[page_num]
        # 获取文本块及其位置
        blocks = page.get_text("blocks")
        for block in blocks:
            # block格式: (x0, y0, x1, y1, text, block_no, block_type)
            x0, y0, x1, y1, text, block_no, block_type = block
            results.append({
                'page': page_num + 1,
                'text': text.strip(),
                'position': (x0, y0, x1, y1),
                'type': 'text' if block_type == 0 else 'image'
            })
    doc.close()
    return pd.DataFrame(results)
# 使用示例
df = extract_text_with_format("example.pdf")
print(df[df['type'] == 'text'][['page', 'text']])

批量处理多个PDF

import os
from pathlib import Path
import fitz
def batch_extract_pdf_text(input_dir, output_dir):
    """批量提取PDF文字"""
    # 创建输出目录
    Path(output_dir).mkdir(parents=True, exist_ok=True)
    pdf_files = list(Path(input_dir).glob("*.pdf"))
    for pdf_path in pdf_files:
        try:
            # 提取文字
            doc = fitz.open(str(pdf_path))
            text = ""
            for page in doc:
                text += page.get_text()
            doc.close()
            # 保存为txt文件
            output_path = Path(output_dir) / f"{pdf_path.stem}.txt"
            with open(output_path, 'w', encoding='utf-8') as f:
                f.write(text)
            print(f"✓ 已处理: {pdf_path.name}")
        except Exception as e:
            print(f"✗ 处理失败 {pdf_path.name}: {str(e)}")
# 使用示例
batch_extract_pdf_text("./pdf_files", "./output")

提取特定页面的文字

import fitz
def extract_specific_pages(pdf_path, pages):
    """提取指定页面的文字"""
    doc = fitz.open(pdf_path)
    text = ""
    for page_num in pages:
        if 0 <= page_num < len(doc):
            page = doc[page_num]
            text += f"--- 第{page_num + 1}页 ---\n"
            text += page.get_text() + "\n\n"
    doc.close()
    return text
# 使用示例：提取第1、3、5页
text = extract_specific_pages("example.pdf", [0, 2, 4])
print(text)

安装依赖

# 推荐安装
pip install PyMuPDF pdfplumber PyPDF2 pandas

比较各库特点

推荐优先使用PyMuPDF，它在速度和功能上平衡最好，特别适合中文PDF的提取。