怎样用脚本从PDF提取文本？

本文目录导读：

1. Python脚本方案（最常用）
2. 安装依赖
3. 进阶功能脚本
4. 命令行工具方案
5. 处理扫描PDF（OCR方式）
6. 批量处理脚本
7. 注意事项

我来详细介绍几种从PDF提取文本的方法，包括使用Python脚本、命令行工具等。

Python脚本方案（最常用）

使用 PyMuPDF (fitz)

import fitz  # PyMuPDF
def extract_text_from_pdf(pdf_path):
    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_from_pdf("example.pdf")
print(pdf_text[:500])  # 打印前500个字符

使用 pdfplumber（适合处理表格）

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

使用 PyPDF2

import PyPDF2
def extract_text_pypdf2(pdf_path):
    text = ""
    with open(pdf_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        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")

安装依赖

# 安装 PyMuPDF
pip install PyMuPDF
# 安装 pdfplumber
pip install pdfplumber
# 安装 PyPDF2
pip install PyPDF2

进阶功能脚本

带目录结构的PDF提取器

import os
import fitz
from pathlib import Path
class PDFTextExtractor:
    def __init__(self, input_dir, output_dir):
        self.input_dir = Path(input_dir)
        self.output_dir = Path(output_dir)
        self.output_dir.mkdir(exist_ok=True)
    def extract_single_pdf(self, pdf_path):
        """提取单个PDF文件的文本"""
        doc = fitz.open(pdf_path)
        text_content = []
        for page_num, page in enumerate(doc, 1):
            text = page.get_text()
            text_content.append(f"--- 第{page_num}页 ---\n{text}")
        doc.close()
        return "\n\n".join(text_content)
    def save_to_file(self, pdf_name, text):
        """保存提取的文本到文件"""
        txt_name = pdf_name.replace('.pdf', '.txt')
        output_path = self.output_dir / txt_name
        with open(output_path, 'w', encoding='utf-8') as f:
            f.write(text)
        print(f"已保存: {output_path}")
    def process_all(self):
        """处理所有PDF文件"""
        pdf_files = list(self.input_dir.glob("*.pdf"))
        for pdf_file in pdf_files:
            try:
                text = self.extract_single_pdf(pdf_file)
                self.save_to_file(pdf_file.name, text)
            except Exception as e:
                print(f"处理 {pdf_file.name} 时出错: {e}")
# 使用示例
extractor = PDFTextExtractor("input_pdfs", "output_texts")
extractor.process_all()

命令行工具方案

使用 pdftotext（Linux/Mac）

# 安装
sudo apt-get install poppler-utils  # Ubuntu/Debian
brew install poppler                # macOS
# 提取文本
pdftotext input.pdf output.txt
# 保持布局
pdftotext -layout input.pdf output.txt
# 只提取特定页面
pdftotext -f 1 -l 5 input.pdf pages_1-5.txt

使用 Pandoc

# 安装 Pandoc
sudo apt-get install pandoc  # Linux
# 或从官网下载安装
# PDF转Markdown
pandoc input.pdf -t markdown -o output.md
# PDF转纯文本
pandoc input.pdf -t plain -o output.txt

处理扫描PDF（OCR方式）

import pytesseract
from pdf2image import convert_from_path
from PIL import Image
def extract_text_from_scanned_pdf(pdf_path):
    """从扫描版PDF提取文本（需要OCR）"""
    # 将PDF转换为图片
    images = convert_from_path(pdf_path)
    text = ""
    for i, image in enumerate(images):
        # 使用Tesseract进行OCR识别
        page_text = pytesseract.image_to_string(image, lang='chi_sim+eng')
        text += f"--- 第{i+1}页 ---\n{page_text}\n"
    return text
# 安装依赖
# pip install pytesseract pdf2image Pillow
# 还需要安装Tesseract OCR引擎

批量处理脚本

#!/usr/bin/env python3
# batch_pdf_extract.py
import os
import sys
import argparse
from pathlib import Path
import fitz
def batch_extract(input_dir, output_dir, extension='.txt'):
    """批量提取PDF文本"""
    input_path = Path(input_dir)
    output_path = Path(output_dir)
    output_path.mkdir(exist_ok=True)
    pdf_files = list(input_path.glob("*.pdf"))
    for pdf_file in pdf_files:
        try:
            doc = fitz.open(pdf_file)
            text = ""
            for page in doc:
                text += page.get_text()
            doc.close()
            # 保存为文本文件
            txt_file = output_path / f"{pdf_file.stem}{extension}"
            with open(txt_file, 'w', encoding='utf-8') as f:
                f.write(text)
            print(f"✓ {pdf_file.name} -> {txt_file.name}")
        except Exception as e:
            print(f"✗ {pdf_file.name}: {e}")
def main():
    parser = argparse.ArgumentParser(description='从PDF提取文本')
    parser.add_argument('input_dir', help='PDF文件目录')
    parser.add_argument('-o', '--output', default='extracted_texts', 
                       help='输出目录（默认: extracted_texts）')
    parser.add_argument('-e', '--extension', default='.txt',
                       help='输出文件扩展名（默认: .txt）')
    args = parser.parse_args()
    batch_extract(args.input_dir, args.output, args.extension)
if __name__ == "__main__":
    main()

使用方式：

# 批量提取
python batch_pdf_extract.py ./pdfs -o ./texts
# 指定输出格式
python batch_pdf_extract.py ./pdfs -o ./output -e .md

注意事项

1. PDF类型：文本型PDF效果好，扫描型PDF需要OCR
2. 编码问题：注意中文PDF的编码处理
3. 复杂排版：表格、多栏排版可能提取顺序混乱
4. 性能考虑：大批量PDF建议使用fitz或pdfplumber

选择哪种方法取决于你的具体需求：

• 简单提取：PyMuPDF (fitz) 速度快
• 保持格式：pdfplumber 或 pdftotext -layout
• 扫描PDF：需要结合OCR工具
• 批量处理：使用脚本自动化