【Python】常用的pdf提取库介绍对比

提取PDF内容的Python库有多种选择,每个库都有其独特的优缺点。以下是一些常用的库以及它们的优缺点和示例代码:

  1. pdfplumber
  2. PyMuPDF (fitz)
  3. PyPDF2
  4. PDFMiner
  5. Camelot

1. pdfplumber

优点

  • 易于使用,提供简单直观的API。
  • 能提取文本、表格和图像。
  • 提供对文本进行后处理的工具,如文字搜索、行识别等。
  • 支持多页PDF文件。

缺点

  • 对于复杂的PDF文件,提取效果可能不如其他库。
  • 速度相对较慢。

示例代码

假设我们有一个PDF文件 example.pdf,内容包括文本和表格。

python 复制代码
import pdfplumber
import pandas as pd

pdf_path = 'example.pdf'
data = []

with pdfplumber.open(pdf_path) as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        if text:
            print(f"Page {page.page_number}:")
            print(text)

        # Extract tables
        tables = page.extract_tables()
        for table in tables:
            df = pd.DataFrame(table[1:], columns=table[0])
            data.append(df)
            print(df)

# Combine all tables into a single DataFrame
if data:
    all_tables = pd.concat(data)
    print("All extracted tables:")
    print(all_tables)

2. PyMuPDF (fitz)

优点

  • 性能高,速度快。
  • 支持文本、图像、注释等多种元素的提取。
  • 提供PDF文档的修改和操作功能,如添加文本、图像、注释等。

缺点

  • 文档和示例较少。
  • 对于新手来说,可能有点复杂。

示例代码

python 复制代码
import fitz  # PyMuPDF

pdf_path = 'example.pdf'
document = fitz.open(pdf_path)

for page_num in range(document.page_count):
    page = document.load_page(page_num)
    text = page.get_text()
    print(f"Page {page_num + 1}:")
    print(text)

    # Extract images
    for img in page.get_images():
        xref = img[0]
        base_image = document.extract_image(xref)
        image_bytes = base_image["image"]

        with open(f"image_{page_num + 1}_{xref}.png", "wb") as image_file:
            image_file.write(image_bytes)
        print(f"Extracted image from page {page_num + 1}, image reference {xref}")

3. PyPDF2

优点

  • 易于合并、拆分、旋转PDF文件。
  • 轻量级,依赖少。
  • 支持加密和解密PDF文件。

缺点

  • 对于文本提取和处理的支持较弱。
  • 不支持图像提取。

示例代码

python 复制代码
import PyPDF2

pdf_path = 'example.pdf'
with open(pdf_path, 'rb') as file:
    reader = PyPDF2.PdfFileReader(file)
    for page_num in range(reader.numPages):
        page = reader.getPage(page_num)
        text = page.extract_text()
        print(f"Page {page_num + 1}:")
        print(text)

# Example: Merging two PDFs
merger = PyPDF2.PdfFileMerger()
merger.append('example1.pdf')
merger.append('example2.pdf')
merger.write('merged.pdf')
merger.close()

# Example: Splitting a PDF
input_pdf = PyPDF2.PdfFileReader('example.pdf')
output_pdf = PyPDF2.PdfFileWriter()
for page_num in range(input_pdf.numPages // 2):
    output_pdf.addPage(input_pdf.getPage(page_num))
with open('split.pdf', 'wb') as output_file:
    output_pdf.write(output_file)

4. PDFMiner

优点

  • 非常强大的文本提取功能。
  • 支持复杂的PDF结构。
  • 提供详细的PDF文档解析功能。

缺点

  • 相对复杂,不易上手。
  • 速度较慢。

示例代码

复制代码
 
python 复制代码
from pdfminer.high_level import extract_text
from pdfminer.high_level import extract_text_to_fp
import io

pdf_path = 'example.pdf'

# Extract text to a string
text = extract_text(pdf_path)
print(text)

# Extract text to a file-like object
output_string = io.StringIO()
with open(pdf_path, 'rb') as file:
    extract_text_to_fp(file, output_string)
print(output_string.getvalue())

5. Camelot

优点

  • 专门用于从PDF文件中提取表格。
  • 提供了流模式和Lattice模式,处理不同类型的表格。
  • 生成的表格可以方便地转换为pandas DataFrame。

缺点

  • 只适用于表格提取,不支持其他类型的PDF内容提取。
  • 依赖于第三方工具(如Ghostscript)。

示例代码

python 复制代码
import camelot

pdf_path = 'example.pdf'
tables = camelot.read_pdf(pdf_path, flavor='stream')  # Use 'stream' for stream mode, 'lattice' for lattice mode

for table in tables:
    print(f"Table on page {table.page}:")
    print(table.df)  # DataFrame of the extracted table

# Save tables to a CSV file
for i, table in enumerate(tables):
    table.to_csv(f'table_{i}.csv')

总结

  • pdfplumber 是一个易于使用的库,适用于一般的PDF文本和表格提取,特别适合处理表格。
  • PyMuPDF (fitz) 性能强大且速度快,适合需要高效处理的场景,特别是需要处理图像和注释的PDF文档。
  • PyPDF2 适用于PDF文件的合并、拆分和旋转,但文本提取功能较弱,更适合处理PDF文档的结构而不是内容。
  • PDFMiner 提供了最强大的文本提取功能,适合处理复杂PDF结构,但相对复杂且慢,适合需要详细解析PDF内容的场景。
  • Camelot 专用于表格提取,适合处理PDF中的表格数据,特别是在需要将表格数据转换为结构化数据时。

选择合适的库取决于具体需求和PDF文档的复杂性。如果只是需要提取文本和表格,pdfplumberCamelot 是不错的选择。如果需要高性能处理或处理图像和注释,可以考虑 PyMuPDF (fitz)。如果需要处理复杂的PDF结构,PDFMiner 是最强大的工具。而 PyPDF2 适合处理PDF文件的结构操作,如合并和拆分。

相关推荐
一颗松鼠6 分钟前
JavaScript 闭包是什么?简单到看完就理解!
开发语言·前端·javascript·ecmascript
有梦想的咸鱼_8 分钟前
go实现并发安全hashtable 拉链法
开发语言·golang·哈希算法
海阔天空_201313 分钟前
Python pyautogui库:自动化操作的强大工具
运维·开发语言·python·青少年编程·自动化
天下皆白_唯我独黑21 分钟前
php 使用qrcode制作二维码图片
开发语言·php
零意@22 分钟前
ubuntu切换不同版本的python
windows·python·ubuntu
夜雨翦春韭24 分钟前
Java中的动态代理
java·开发语言·aop·动态代理
小远yyds26 分钟前
前端Web用户 token 持久化
开发语言·前端·javascript·vue.js
思忖小下33 分钟前
Python基础学习_01
python
何曾参静谧38 分钟前
「C/C++」C/C++ 之 变量作用域详解
c语言·开发语言·c++
q567315231 小时前
在 Bash 中获取 Python 模块变量列
开发语言·python·bash