常用pdf解析提取工具的分析和示例

liliangcsdn2025-12-27 23:22

目前，大量的文档采用pdf格式。相比word文档，pdf由于缺乏结构化支持，提取相对困难。

这里示例常用的pdf文档解析工具，比如pypdf、pdfplumber。

所用代码参考和修改自网络资料。

1 pypdf

1.1 pypdf说明

pypdf/pypdf2支持pdf的合并、拆分、旋转、加密、添加水印、提取文本。

缺点是文本提取能力有限，对复杂结构支持不好，不具备页面布局、表格识别等高级功能

1.2 提取示例

示例代码如下所示，每次解析一页，部分换行不能精确识别。

复制代码

from pypdf import PdfReader
reader = PdfReader(pdf_path)
text = ""
i = 0
for page in reader.pages:
    curr_text = page.extract_text()
    text += curr_text
    print(i, "=>", curr_text)
    i += 1

2 pdfplumber

支持表格提取的pdf提取工具，精确提取 结构化数据，尤其适用于表格、发票、报告等。

2.1 工具安装

安装命令如下所示

!pip install pdfplumber

2.2 提取示例

以下是使用pdfpluber提取文件的示例，支持按页提取表格内容，相比pypdf操控更精确。

复制代码

import pdfplumber
with pdfplumber.open(pdf_path) as pdf:
    page = pdf.pages[0]
    text = page.extract_text()
    table = page.extract_table()
    print("page=>")
    print("text=>", text)
    print("table=>", table)

reference

PDF工具集：PyPDF / PyPDF2、PDFMiner.six、PyMuPDF（fitz）和 pdfplumber（v2+）

https://juejin.cn/post/7503490370367832079

大模型RAG应用开发之PDF解析工具对比

https://www.cnblogs.com/deeplearningmachine/p/18383664

网友认可的PDF开源解析工具

https://blog.csdn.net/liliang199/article/details/150986528