【PDF识别】总结PDF文本内容与表格提取的方法

一、前言

在数字化办公的浪潮中，PDF文件以其格式稳定、兼容性强等优点，成为文档存储与传输的重要载体。然而，当我们需要从PDF中提取文本和表格进行进一步处理或分析时，却常常面临诸多挑战。

不同的PDF文件类型、复杂的排版布局、扫描版PDF的图像识别等问题，都可能成为提取过程中的"拦路虎"。本文将深入探讨多种PDF文本与表格提取方法，结合实际代码示例，为大家呈现一份全面的PDF提取指南。

二、文本提取方法

1. pdfplumber：精准提取文本与表格

pdfplumber是一个功能强大的Python库，尤其在处理包含表格的PDF文件时表现出色。通过pdfplumber，我们不仅能提取文本，还能对表格进行精确解析。

复制代码

import pdfplumber

pdf_path = "你的PDF文件路径"

with pdfplumber.open(pdf_path) as pdf:
    text = ""
    for page in pdf.pages:
        page_text = page.extract_text()
        text += page_text
        print(page_text)

2. fitz（PyMuPDF）：快速提取文本与图像

fitz，即PyMuPDF，以其高效性著称。它不仅能够快速提取PDF中的文本，还能处理PDF中的图像内容。

复制代码

import fitz

doc = fitz.open(pdf_path)
text = ""
for page in doc:
    page_text = page.get_text()
    text += page_text
    print(page_text)

3. PyPDF2：简单文本提取的利器

PyPDF2是一个广为人知的PDF处理库，虽然其功能相对基础，但对于简单的文本提取任务已经足够。

复制代码

import PyPDF2

def extract_text_from_pdf(pdf_path):
    pdfReader = PyPDF2.PdfReader(pdf_path)
    text = ""
    for page_num in range(len(pdfReader.pages)):
        page = pdfReader.pages[page_num]
        text += page.extract_text()
    return text

print(extract_text_from_pdf(pdf_path))

4. pdfminer：深度自定义提取逻辑

pdfminer是一个高度可定制的PDF处理库，适用于需要深度自定义提取逻辑的场景。

复制代码

from pdfminer.high_level import extract_text

def extract_text_from_pdf(pdf_path):
    text = extract_text(pdf_path)
    return text

print(extract_text_from_pdf(pdf_path))

5. pdfquery：提取特定区域文本

pdfquery通过坐标定位，能够精确提取指定区域的文本内容。

复制代码

import pdfquery

def extract_specific_text_from_pdf(pdf_path):
    pdf = pdfquery.PDFQuery(pdf_path)
    pdf.load()
    text = pdf.pq('LTTextLineHorizontal:in_bbox("100, 500, 400, 600")').text()
    return text

print(extract_specific_text_from_pdf(pdf_path))

6. pytesseract与PaddleOCR：攻克扫描版PDF

对于扫描版PDF或图像型PDF，可以使用pytesseract和PaddleOCR进行OCR识别。
pytesseract：

复制代码

from pdf2image import convert_from_path
import pytesseract

def extract_text_from_scanned_pdf(pdf_path):
    pages = convert_from_path(pdf_path)
    text = ""
    for page in pages:
        text += pytesseract.image_to_string(page, lang='chi_sim') + "\n"
    return text

print(extract_text_from_scanned_pdf(pdf_path))

PaddleOCR

复制代码

from pdf2image import convert_from_path
from paddleocr import PaddleOCR

def extract_text_from_scanned_pdf(pdf_path, lang='ch'):
    ocr = PaddleOCR(use_angle_cls=True, lang=lang)
    pages = convert_from_path(pdf_path)
    text = ""
    for page in pages:
        result = ocr.ocr(page, cls=True)
        for idx in range(len(result)):
            res = result[idx]
            for line in res:
                text += line[1][0] + "\n"
    return text

print(extract_text_from_scanned_pdf(pdf_path))

7. aspose.pdf：商业应用的高质量选择

aspose.pdf是一个商业库，提供了高质量的文本和表格提取功能。

复制代码

from aspose.pdf import Document
from aspose.pdf.text import TextFragmentAbsorber

def extract_text_from_pdf(pdf_path):
    pdf_doc = Document(pdf_path)
    absorber = TextFragmentAbsorber()
    text = ""
    for page in pdf_doc.pages:
        page.accept(absorber)
        for fragment in absorber.text_fragments:
            text += fragment.text + "\n"
        absorber.text_fragments.clear()
    return text

print(extract_text_from_pdf(pdf_path))

8. textract：简化文本提取流程

textract是一个简洁高效的文本提取库，能够快速实现文本提取功能。

复制代码

import textract

def extract_text_from_pdf(pdf_path):
    text = textract.process(pdf_path, method='pdfminer')
    print("-----------textract--------------------")
    print(text.decode('utf-8'))
    return text.decode('utf-8')

print(extract_text_from_pdf(pdf_path))

三、表格提取方法

1. pdfplumber：精确表格提取

pdfplumber不仅擅长文本提取，还能精确提取PDF中的表格数据。

复制代码

import pdfplumber

with pdfplumber.open(pdf_path) as pdf:
    for page in pdf.pages:
        table = page.extract_table()
        if table:
            for row in table:
                print(row)

2. camelot：智能表格提取

camelot是一个专门用于从PDF中提取表格数据的Python库，它能够智能地识别PDF中的表格结构。

复制代码

import camelot
import pandas as pd

def extract_tables_from_pdf(pdf_path):
    tables = camelot.read_pdf(pdf_path, flavor='stream')
    combined_df = pd.concat([table.df for table in tables])
    print("-----------camelot--------------------")
    return combined_df

tables_df = extract_tables_from_pdf(pdf_path)
print(tables_df)

3. aspose.pdf：高质量表格提取

aspose.pdf库也提供了表格提取的功能，适合商业应用。

复制代码

from aspose.pdf import Document
from aspose.pdf.text import TextFragmentAbsorber

def extract_tables_from_pdf(pdf_path):
    pdf_doc = Document(pdf_path)
    absorber = TextFragmentAbsorber()
    tables = []
    for page in pdf_doc.pages:
        page.accept(absorber)
        for fragment in absorber.text_fragments:
            # 处理表格数据
            pass
    return tables

print(extract_tables_from_pdf(pdf_path))

四、总结

在PDF文本与表格提取的征程中，我们遇到了各种挑战，也探索了多种解决方案。每种方法都有其独特的适用场景和优缺点：

简单文本提取：PyPDF2和fitz是不错的选择，简单易用，适合初学者快速上手。
表格与精确文本提取：pdfplumber在处理表格方面表现出色，能够满足对文本和表格精确提取的需求。
复杂PDF处理：pdfminer的灵活性使其能够应对复杂的PDF结构，适合需要深度自定义提取逻辑的场景。
扫描PDF处理：pytesseract和PaddleOCR是OCR技术的代表，能够攻克扫描版PDF的难题，但对图像质量有一定要求。
商业应用：aspose.pdf以其高质量的提取效果和稳定性，成为商业应用中的优选，尽管需要考虑成本因素。
简化提取流程：textract通过封装底层逻辑，提供了简洁高效的文本提取方式，适合快速开发。
智能表格提取：camelot在表格提取方面表现出色，能够智能识别PDF中的表格结构，提高提取效率。