主要对pdfminer.six 、pdfplumber 、PyMuPDF 、PyPDF2 、PyPDF4 、pdf2image 、camelot-py七个PDF相关组件分别详解,具体使用案例演示
1. pdfminer.six
pdfminer.six 是一个专门用来从 PDF 中提取文本的库,能够处理复杂的文本布局,适合用于文本解析,尤其是需要了解 PDF 页面的结构时。
安装:
bash
pip install pdfminer.six
使用案例:
python
from pdfminer.high_level import extract_text
try:
# 提取 PDF 文件的文本
text = extract_text('example.pdf')
print(text)
except Exception as e:
print(f"Error extracting text: {e}")
注意事项:
• 适合于文本内容的提取,特别是有复杂布局的文档。
• 对于表格或图像提取的支持较弱。
• 文本提取时可能会丢失一些排版信息。
异常处理案例:
python
from pdfminer.high_level import extract_text
def extract_pdf_text(file_path):
try:
text = extract_text(file_path)
return text
except FileNotFoundError:
print("The specified file does not exist.")
except Exception as e:
print(f"Error: {e}")
# 测试
file_path = 'non_existing_file.pdf'
text = extract_pdf_text(file_path)
2. pdfplumber
pdfplumber 是一个基于 pdfminer.six 的工具,专门用于提取 PDF 中的表格、文本、图像等结构化内容。
安装:
bash
pip install pdfplumber
使用案例:
python
import pdfplumber
try:
# 打开 PDF 文件
with pdfplumber.open("example.pdf") as pdf:
first_page = pdf.pages[0]
# 提取文本
text = first_page.extract_text()
print(text)
# 提取表格
table = first_page.extract_table()
for row in table:
print(row)
except Exception as e:
print(f"Error processing PDF: {e}")
注意事项:
• 对于 PDF 中的表格提取有较好的支持。
• 解析结构复杂的表格时可能需要进一步的调整和处理。
• 不适用于处理扫描版 PDF。
异常处理案例:
python
import pdfplumber
def extract_table_from_pdf(file_path):
try:
with pdfplumber.open(file_path) as pdf:
first_page = pdf.pages[0]
table = first_page.extract_table()
return table
except pdfplumber.utils.PDFPlumberException as e:
print(f"Error in pdfplumber: {e}")
except Exception as e:
print(f"Error: {e}")
# 测试
table = extract_table_from_pdf('non_existing_file.pdf')
3. PyMuPDF (fitz)
PyMuPDF 是一个强大的 PDF、XPS、EPUB 等格式的文档处理库,支持提取文本、图像和页面渲染等多种功能。
安装:
bash
pip install PyMuPDF
使用案例:
python
import fitz # PyMuPDF 的别名
try:
# 打开 PDF 文件
doc = fitz.open("example.pdf")
# 提取文本
for page in doc:
text = page.get_text()
print(text)
# 提取图像
for page in doc:
images = page.get_images(full=True)
for img in images:
print(img)
except Exception as e:
print(f"Error processing PDF: {e}")
注意事项:
• 可以提取文本、图像、并进行页面渲染。
• 对于扫描版 PDF,可以通过 OCR 结合其他工具进行文本提取。
• 需要安装 pillow 来处理图像。
异常处理案例:
python
import fitz
def extract_text_from_pdf(file_path):
try:
doc = fitz.open(file_path)
text = ""
for page in doc:
text += page.get_text()
return text
except Exception as e:
print(f"Error: {e}")
return None
# 测试
text = extract_text_from_pdf('non_existing_file.pdf')
4. PyPDF2
PyPDF2 是一个用于 PDF 文档操作的库,支持 PDF 文件的合并、拆分、旋转、裁剪等。
安装:
bash
pip install PyPDF2
使用案例:
python
from PyPDF2 import PdfReader, PdfWriter
try:
# 读取 PDF 文件
reader = PdfReader('example.pdf')
writer = PdfWriter()
# 提取第一页的文本
page = reader.pages[0]
print(page.extract_text())
# 合并 PDF 文件
writer.add_page(reader.pages[0])
with open('output.pdf', 'wb') as output_pdf:
writer.write(output_pdf)
except Exception as e:
print(f"Error processing PDF: {e}")
注意事项:
• 适合于 PDF 的合并、拆分、旋转、裁剪等操作。
• 不支持图像或表格提取。
• 对于扫描版 PDF,提取文本效果不佳。
异常处理案例:
python
from PyPDF2 import PdfReader
def merge_pdfs(input_files, output_file):
try:
writer = PdfWriter()
for file in input_files:
reader = PdfReader(file)
for page in reader.pages:
writer.add_page(page)
with open(output_file, 'wb') as output:
writer.write(output)
except FileNotFoundError as e:
print(f"Error: {e}")
except Exception as e:
print(f"Error: {e}")
# 测试
merge_pdfs(['non_existing_file.pdf'], 'merged.pdf')
5. PyPDF4
PyPDF4 是 PyPDF2 的分支,提供了更好的功能,特别是对于处理加密的 PDF 文件。
安装:
bash
pip install PyPDF4
使用案例:
python
import PyPDF4
try:
# 读取 PDF 文件
with open('example.pdf', 'rb') as f:
reader = PyPDF4.PdfReader(f)
writer = PyPDF4.PdfWriter()
# 提取第一页的文本
page = reader.pages[0]
print(page.extract_text())
# 合并多个文件
writer.add_page(reader.pages[0])
with open('output.pdf', 'wb') as output_f:
writer.write(output_f)
except Exception as e:
print(f"Error processing PDF: {e}")
注意事项:
• 功能与 PyPDF2 类似,改进了处理加密文件的能力。
• 不支持表格或图像提取。
异常处理案例:
python
import PyPDF4
def split_pdf(input_pdf, output_pdf):
try:
with open(input_pdf, 'rb') as in_file:
reader = PyPDF4.PdfReader(in_file)
writer = PyPDF4.PdfWriter()
writer.add_page(reader.pages[0]) # 只提取第一页
with open(output_pdf, 'wb') as out_file:
writer.write(out_file)
except Exception as e:
print(f"Error: {e}")
# 测试
split_pdf('non_existing_file.pdf', 'output.pdf')
6. pdf2image
pdf2image 可以将 PDF 页面转换为图像,适用于需要将 PDF 页面呈现为图像的情况。
安装:
bash
pip install pdf2image
使用案例:
python
from pdf2image import convert_from_path
try:
# 将 PDF 页面转换为图像
images = convert_from_path('example.pdf')
# 保存为图像文件
for i, image in enumerate(images):
image.save(f'page_{i+1}.png', 'PNG')
except Exception as e:
print(f"Error converting PDF to image: {e}")
注意事项:
• 适合将 PDF 页面转换为图像文件(如 PNG、JPEG)。
• 需要额外安装 poppler-utils。
• 高质量转换可能会导致内存占用较大。
异常处理案例:
python
from pdf2image import convert_from_path
def convert_pdf_to_images(file_path):
try:
images = convert_from_path(file_path)
return images
except Exception as e:
print(f"Error: {e}")
return []
# 测试
images = convert_pdf_to_images('non_existing_file.pdf')
7. camelot-py
camelot-py 是一个专门用来提取 PDF 中表格数据的库,能够很好地处理带有表格的 PDF 文件。
安装:
bash
pip install camelot-py[cv]
使用案例:
python
import camelot
try:
# 提取 PDF 文件中的表格
tables = camelot.read_pdf('example.pdf', pages='1')
# 显示第一张表格
print(tables[0].df)
except Exception as e:
print(f"Error extracting table: {e}")
注意事项:
• 适合用于表格提取,尤其是结构清晰的表格。
• 对于复杂或不规则的表格,需要调整模式(lattice 或 stream)。
异常处理案例:
python
import camelot
def extract_table_from_pdf(file_path):
try:
tables = camelot.read_pdf(file_path, pages='1')
return tables[0].df
except camelot.utils.PDFPageCountError as e:
print(f"Page count error: {e}")
except Exception as e:
print(f"Error: {e}")
return None
# 测试
table = extract_table_from_pdf('non_existing_file.pdf')
总结
• 文本提取: 使用 pdfminer.six 或 PyMuPDF。
• 表格提取: pdfplumber 和 camelot-py 适合表格提取。
• PDF 操作: PyPDF2 和 PyPDF4 适用于合并、拆分、裁剪等。
• 图像转换: 使用 pdf2image 来将 PDF 转为图像。
对于每个组件库,异常处理能够帮助应对文件不存在、格式错误等常见问题。