Python编程实战 - Python实用工具与库 - 操作PDF：pdfplumber、PyPDF2

PDF 是办公场景中最常见的文档格式之一。无论是发票、报告、电子合同还是扫描件，我们经常需要对 PDF 进行 读取、提取文本、拆分、合并 等操作。 幸运的是，Python 提供了多种优秀的库来完成这些任务，其中 pdfplumber 和 PyPDF2 是最常用的两种。

本文将带你掌握它们的使用方法与实战技巧。

---

一、两大PDF库的区别

功能	pdfplumber	PyPDF2
提取文本	✅ 支持文字与表格结构	✅ 支持，但格式较乱
提取表格	✅ 强大，结构清晰	❌ 不支持
拆分/合并PDF	❌ 不支持	✅ 支持
加密/解密	❌	✅ 支持
生成新PDF	❌	✅ 可简单生成
适合场景	数据提取、内容分析	文件操作、批处理管理

在实战中，通常两者 配合使用：

• 用 pdfplumber 提取文本或表格内容；
• 用 PyPDF2 拆分、合并或修改 PDF 文件结构。

---

二、pdfplumber：精准提取PDF文本与表格

1. 安装

pip install pdfplumber

2. 提取全部文本

import pdfplumber

with pdfplumber.open("example.pdf") as pdf:
    all_text = ""
    for page in pdf.pages:
        all_text += page.extract_text() + "\n"
print(all_text)

输出示例：

Python 实战报告
作者：张三
日期：2025-11-10
内容：这是一个示例PDF文件。

pdfplumber 能准确识别文字位置，输出比 PyPDF2 更整齐。

---

3. 提取单页文本

with pdfplumber.open("example.pdf") as pdf:
    page = pdf.pages[0]
    text = page.extract_text()
    print(text)

可以用 page.extract_words() 获取每个单词的位置信息，非常适合文字坐标分析。

---

4. 提取表格内容

pdfplumber 对表格提取特别强大，它能直接将表格结构转为 Python 列表。

import pdfplumber
import pandas as pd

with pdfplumber.open("report.pdf") as pdf:
    page = pdf.pages[1]
    table = page.extract_table()
    df = pd.DataFrame(table[1:], columns=table[0])  # 第一行为表头
    print(df)

输出结果：

     姓名   部门   分数
0   张三   销售部   90
1   李四   技术部   85
2   王五   市场部   88

---

5. 提取图片

with pdfplumber.open("example.pdf") as pdf:
    page = pdf.pages[0]
    for img in page.images:
        print(img)

可结合 Pillow 等库进一步保存图片。

---

三、PyPDF2：拆分、合并与加密PDF

1. 安装

pip install PyPDF2

2. 读取PDF信息

from PyPDF2 import PdfReader

reader = PdfReader("example.pdf")
print("总页数：", len(reader.pages))
print("标题：", reader.metadata.title)

---

3. 拆分PDF文件

from PyPDF2 import PdfReader, PdfWriter

reader = PdfReader("report.pdf")

for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    output_name = f"page_{i+1}.pdf"
    with open(output_name, "wb") as f:
        writer.write(f)
    print(f"已生成: {output_name}")

每页会被拆分为独立的 PDF 文件。

---

4. 合并多个PDF

from PyPDF2 import PdfMerger

merger = PdfMerger()
files = ["page_1.pdf", "page_2.pdf", "page_3.pdf"]

for f in files:
    merger.append(f)

merger.write("merged.pdf")
merger.close()
print("合并完成：merged.pdf")

---

5. 加密与解密PDF

加密PDF

from PyPDF2 import PdfReader, PdfWriter

reader = PdfReader("secret.pdf")
writer = PdfWriter()

for page in reader.pages:
    writer.add_page(page)

writer.encrypt("mypassword")

with open("encrypted.pdf", "wb") as f:
    writer.write(f)

print("PDF已加密。")

解密PDF

reader = PdfReader("encrypted.pdf")
reader.decrypt("mypassword")

print(reader.pages[0].extract_text())

---

四、实战案例：批量提取PDF文本并保存到Excel

下面的例子演示如何结合 pdfplumber 与 pandas，提取多个 PDF 文件中的文字内容并保存为 Excel 表格。

import pdfplumber
import pandas as pd
import os

data = []

for file in os.listdir("pdfs"):
    if file.endswith(".pdf"):
        path = os.path.join("pdfs", file)
        with pdfplumber.open(path) as pdf:
            text = ""
            for page in pdf.pages:
                text += page.extract_text() or ""
        data.append({"文件名": file, "内容": text[:200]})  # 取前200字预览

df = pd.DataFrame(data)
df.to_excel("PDF文本提取结果.xlsx", index=False)
print("已导出 PDF 文本提取结果。")

---

五、常见问题与技巧

问题	解决方案
提取文本为空	PDF 为扫描件，可使用 OCR 工具（如 pytesseract）识别
表格列对齐不准确	使用 pdfplumber 的 extract_table() 或尝试指定表格边界参数
合并后的PDF打开乱码	确认源文件编码正确，避免跨标准 PDF 版本混用
大量文件处理超时	分批执行、加入延时或使用异步处理

---

六、总结

通过本文的学习，你掌握了：

• 使用 pdfplumber 提取 PDF 文本、表格、图片等数据；
• 使用 PyPDF2 进行 PDF 拆分、合并、加密、解密；
• 结合 pandas 进行 PDF 批量分析与结果导出。

这两个库搭配使用，能解决大多数企业、数据分析与文档自动化中的 PDF 处理需求。

---