如何使用 Python 提取 PDF 文件中的内容
在文档自动化处理、数据提取和信息分析等任务中，从 PDF 文件中提取文本是一项常见需求。PDF 文件通常分为两种类型：基于文本的 PDF 和 包含扫描图像的 PDF。
本文将介绍如何使用 Python 分别提取这两种类型的 PDF 内容，并提供完整的代码示例和实用技巧。
一、提取基于文本的 PDF 内容
1. 使用 PyPDF2 提取纯文本
PyPDF2 是一个轻量级但功能强大的库，适合用于读取和提取标准文本型 PDF 中的内容。
安装
bash
pip install PyPDF2示例代码
python
import PyPDF2
def extract_text_from_pdf(pdf_path):
with open(pdf_path, 'rb') as file:
reader = PyPDF2.PdfReader(file)
text = ""
for page in reader.pages:
text += page.extract_text()
return text
# 使用示例
pdf_path = 'example.pdf'
extracted_text = extract_text_from_pdf(pdf_path)
print(extracted_text)⚠️ 注意：对于格式复杂或字体嵌入的 PDF，某些页面可能无法正确提取文本。
2. 使用 pdfplumber 提取表格和布局复杂的文本
如果你需要提取含有表格、列布局或精确坐标信息的 PDF，pdfplumber 是更合适的选择。
安装
bash
pip install pdfplumber示例代码
python
import pdfplumber
def extract_text_from_pdf(pdf_path):
with pdfplumber.open(pdf_path) as pdf:
text = ""
for page in pdf.pages:
text += page.extract_text()
return text
# 使用示例
pdf_path = 'example.pdf'
extracted_text = extract_text_from_pdf(pdf_path)
print(extracted_text)✅ 特点：支持表格识别、文字坐标定位等功能。
二、提取扫描图像型 PDF 内容（OCR）
对于由扫描图片组成的 PDF 文件，必须借助 光学字符识别（OCR）技术 来提取其中的文字。
1. 安装依赖项
你需要安装 Tesseract OCR 引擎以及对应的 Python 封装库。
Windows：
- 下载并安装 Tesseract OCR
- 添加 Tesseract 到系统环境变量（例如路径为
C:\Program Files\Tesseract-OCR\tesseract.exe） - 安装 Python 库：
bash
pip install pytesseract pillow pdf2image- 安装 Poppler（用于将 PDF 转换为图像）：
- 可以从 GitHub - poppler-windows 下载并解压，同样添加到系统 PATH。
Linux / macOS：
bash
sudo apt install tesseract-ocr libpoppler-cpp-dev # Ubuntu/Debian
brew install tesseract poppler # macOS (Homebrew)
pip install pytesseract pillow pdf2image2. 示例代码：结合 pdf2image + pytesseract 提取扫描 PDF 内容
python
from pdf2image import convert_from_path
import pytesseract
from PIL import Image
def extract_text_from_scanned_pdf(pdf_path):
# 将 PDF 转换为图像列表
images = convert_from_path(pdf_path)
extracted_text = ""
for image in images:
# 对每张图片执行 OCR
text = pytesseract.image_to_string(image)
extracted_text += text + "\n"
return extracted_text
# 使用示例
pdf_path = 'scanned_example.pdf'
text = extract_text_from_scanned_pdf(pdf_path)
print(text)✅ 说明：该方法会逐页将 PDF 转换为图像，再通过 OCR 提取文字，适用于高质量扫描件。
三、总结与建议
| PDF 类型 | 推荐库 | 特点 |
|---|---|---|
| 纯文本型 PDF | PyPDF2 或 pdfplumber |
快速、高效，适合标准 PDF 文档 |
| 扫描图像型 PDF | pdf2image + pytesseract |
支持 OCR，适合图像型 PDF，但速度较慢 |
✅ 建议：
- 优先判断 PDF 类型 ：可以尝试用
PyPDF2提取看看是否有返回内容，若为空则可能是扫描图像。 - 提高 OCR 准确率 ：可先对图像进行预处理（如灰度化、二值化），再传给
pytesseract。 - 多语言支持 ：Tesseract 支持多种语言包，可通过
-l参数指定语言，如pytesseract.image_to_string(img, lang='chi_sim')提取中文。
四、扩展功能推荐
| 功能 | 工具 | 描述 |
|---|---|---|
| 表格识别 | camelot 或 tabula-py |
专门用于提取 PDF 中表格数据 |
| PDF 加密破解 | pikepdf |
可用于打开加密 PDF 文件（需密码） |
| PDF 合并与拆分 | PyPDF2 / pypdf |
拆分、合并、旋转 PDF 页面 |
| PDF 注释提取 | pdfminer.six |
提供底层解析能力，适合高级用途 |
🔚 结语
无论是处理普通的文本型 PDF 还是扫描图像型 PDF，Python 都提供了丰富的第三方库来帮助我们实现高效的文本提取。掌握这些工具不仅能提升办公效率，还能为数据分析、文档管理、信息自动化等场景打下坚实基础。
📌 如果你正在从事数据工程、自动化脚本开发或文档处理相关的工作，熟练使用这些库将大大增强你的生产力。同时，也可以根据实际需求，结合日志记录、GUI 界面、批量处理等功能进行二次开发。
💬 欢迎留言交流你在项目中使用这些技术的经验，或者你遇到的相关问题，我们一起探讨 Python 文档处理的最佳实践！