Python读取PDF:文本、图片与文档属性

在日常的数据采集、文档归档与信息挖掘过程中,PDF格式因其版式固定、内容稳定而被广泛使用。Python 开发者若希望实现 PDF 内容的自动化提取,选择一个易用且功能完善的库至关重要。本文将介绍如何用Python实现 PDF文本读取图片提取 以及 文档属性读取 三大核心操作,适用于信息抽取、电子档案处理等场景。

文章目录

本文使用免费的 Free Spire.PDF for Python,pip安装:pip install spire.pdf.free


Python读取PDF文本

在PDF中提取可识别的文字内容,是信息处理的基础需求。Spire.PDF 提供了 PdfTextExtractor 类,可逐页提取文本,并通过参数控制提取方式。

操作说明:

  1. 创建 PdfDocument 实例并加载PDF;
  2. 遍历每一页,构建 PdfTextExtractor
  3. 设置提取选项,如是否简化布局;
  4. 累加获取到的文本内容。

代码示例:

python 复制代码
from spire.pdf import PdfDocument, PdfTextExtractor, PdfTextExtractOptions

# 创建 PdfDocument 实例并加载文档
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

all_text = ""
# 遍历所有页面
for pageIndex in range(pdf.Pages.Count):
    page = pdf.Pages.get_Item(pageIndex)
    # 创建文本提取器
    text_extractor = PdfTextExtractor(page)
    # 设置提取选项
    options = PdfTextExtractOptions()
    options.IsExtractAllText = True
    options.IsSimpleExtraction = True
    # 提取文本并累加
    all_text += text_extractor.ExtractText(options)

# 输出全部文本内容
print(all_text)

PDF文档

读取的PDF文本


Python读取PDF图片

PDF中的图片可能包含插图、图标、水印等重要信息。Spire.PDF 提供了 PdfImageHelper 工具类,可提取页面中嵌入的图像并保存为文件。

操作说明:

  1. 加载PDF文档并获取页面;
  2. 使用 PdfImageHelper.GetImagesInfo() 获取图片信息;
  3. 遍历并保存提取的图片对象。

代码示例:

python 复制代码
from spire.pdf import PdfDocument, PdfImageHelper

# 加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 获取第一页
page = pdf.Pages.get_Item(0)

# 创建图片助手
image_helper = PdfImageHelper()
# 获取页面中的图片信息
images_info = image_helper.GetImagesInfo(page)

# 保存图片为本地文件
for i in range(len(images_info)):
    images_info[i].Image.Save("output/Images/image" + str(i) + ".png")

读取的PDF图片:


Python读取PDF文档属性

除了内容本身,PDF还可能包含元数据(如标题、作者、关键词等),便于进行文档分类与检索。Spire.PDF 支持直接读取这些信息。

操作说明:

  1. 加载PDF文件;
  2. 通过 DocumentInformation 属性访问文档元数据;
  3. 打印或记录相关属性值。

代码示例:

python 复制代码
from spire.pdf import PdfDocument

# 加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 获取文档属性信息
properties = pdf.DocumentInformation
print("标题: " + properties.Title)
print("作者: " + properties.Author)
print("主题: " + properties.Subject)
print("关键词: " + properties.Keywords)

读取的PDF文档属性


总结

使用 Free Spire.PDF for Python,可以轻松完成以下三类典型的 PDF 信息提取操作:

  • 读取PDF文本:逐页提取文字内容,适用于全文分析、搜索系统等;
  • 读取PDF图片:提取嵌入图像用于归档、识别或后续处理;
  • 读取PDF文档属性:访问标题、作者、关键词等元信息,辅助分类索引。

以上功能均可在本地环境中快速部署,适合构建轻量级 PDF 处理工具或集成至业务系统中。


更多教程请参考:Spire.PDF for Python 教程中心

相关推荐
九皇叔叔37 分钟前
【7】SQL 语句基础应用
数据库·sql·mysql
阿拉丁的梦39 分钟前
教程1:用vscode->ptvsd-创建和调试一个UI(python)-转载官方翻译(有修正)
开发语言·python
名难取aaa1 小时前
celery solo acks_late得不到预期
python·celery
麦聪聊数据2 小时前
能源行业数据库远程运维安全合规实践:Web化平台的落地经验
运维·数据库·sql·安全·数据服务
chenglin0163 小时前
阿里云——云存储与数据库服务
数据库·阿里云·云计算
大翻哥哥3 小时前
Python地理空间数据分析:从地图绘制到智能城市应用
开发语言·python·数据分析
NPE~3 小时前
[手写系列]Go手写db — — 第二版
开发语言·数据库·golang·教程·db·手写系列
何为xl4 小时前
【VSCode】使用VSCode打开md文件以及转化为PDF
ide·vscode·pdf
奇舞精选4 小时前
爬虫入门
爬虫·python
爬虫程序猿4 小时前
利用 Python 爬虫获取 1688 商品详情 API 返回值说明(代码示例)实战指南
开发语言·爬虫·python