python版提取 PDF 的常用第三方库与工具

之前有分享过一些处理常见格式文件的策略，今天分享一些非常比较好用提取python生态下的第三方库以及工具。

一、python的几个第三方库

1、PyMUPDF ------通用打法

首当其冲的就是PyMuPDF了，它又叫fitz。很多人直接 import fitz，它的包名叫 PyMuPDF，是基于 MuPDF 引擎的 Python 第三方库，用于 PDF、XPS、EPUB 等文档处理，PDF 文本 / 图片提取能力极强，速度快、占用低。

维度	评分
文本提取	⭐⭐⭐⭐
表格提取	⭐⭐
精度控制	⭐⭐⭐⭐⭐
速度	⭐⭐⭐⭐⭐
学习曲线	di

注意：在安装这个模块的时候，命令是pip install PyMuPDF，不是pip install fitz！fitz 只是导入时的模块名，安装包叫PyMuPDF。

常用API：

1、打开文档提取所有文本

import fitz  # PyMuPDF

doc = fitz.open("document.pdf")
for page in doc:
    text = page.get_text()
    images = page.get_images(full=True)

注意： 中文混合排版时，文本顺序可能不完美，但大部分场景够用。

---

2. pdfplumber --- 表格提取之王

维度	评分
文本提取	⭐⭐⭐⭐
表格提取	⭐⭐⭐⭐⭐
精度控制	⭐⭐⭐⭐⭐
速度	⭐⭐⭐
学习曲线	中

特点： 在 pdfminer.six 之上封装，提供精确的字符级定位和可视化调试。提取表格时能精确识别单元格边界。

最佳场景： 报表、发票、结构化表格数据。

import pdfplumber

with pdfplumber.open("invoice.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        text = page.extract_text()

注意： 比 PyMuPDF 慢，处理大文件（几百页）时明显。

---

3. Camelot --- 表格专项

维度	评分
表格提取	⭐⭐⭐⭐⭐
准确性	⭐⭐⭐⭐⭐
安装复杂度	⭐⭐（有依赖）
速度	⭐⭐⭐
学习曲线	中高

特点： 提供两种模式 --- Lattice（有边框线）和 Stream（无边框线，靠空格对齐）。内置准确度评分。

最佳场景： 复杂表格、无边框表格、需要高精度表格场景。

import camelot

tables = camelot.read_pdf("report.pdf", flavor="lattice")
tables[0].df  # 转为 DataFrame
tables[0].accuracy  # 准确度评分

注意： 依赖 Ghostscript 和 OpenCV，安装稍麻烦。Windows 上配置环境变量劝退过不少人。

---

二、OCR 方案（图片型）

当 PDF 是扫描件（图片组成），上述所有库都无能为力，必须 OCR。

1. PaddleOCR --- 中文 OCR 王者

百度出品，中文识别效果目前最强。内置版面分析，能识别表格结构。

from paddleocr import PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang="ch")
result = ocr.ocr("scanned.pdf", cls=True)

注意： 模型较大（~15MB），首次加载慢。GPU 加速后性能不错。

2. EasyOCR --- 开箱即用

import easyocr
reader = easyocr.Reader(["ch_sim", "en"])
result = reader.readtext("scan.pdf")

注意： 速度慢，精度中等，但 API 最简单。

三、推荐组合

场景	推荐方案
通用文本提取	PyMuPDF（最快够用）
提取表格数据	pdfplumber（首选）或 Camelot（精度要求高时）
扫描件/图片PDF	PaddleOCR
批量处理	PyMuPDF + pdfplumber 混合
全都要	PyMuPDF 提取文本 + pdfplumber 提取表格 + PaddleOCR 处理扫描页

---

除了以上一些python的第三方库，另外还有一些工具。

四、PDF 提取工具

1. Marker --- 转 Markdown 的首选

将 PDF 快速转为 Markdown，内置 OCR 兜底、版面分析、公式识别。

pip install marker-pdf
marker /path/to/pdf /path/to/output

特点： 输出干净，支持多语言、表格、公式。比传统库的提取结果更"像人读的"。

缺点： 需要 GPU 才能跑得快，纯 CPU 慢。

2. Docling

IBM 开源，基于深度学习做版面理解和文档解析。输出 Markdown 或 JSON，支持表格、图片、标题层级识别。

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("report.pdf")
print(result.document.export_to_markdown())

特点： 深度理解文档结构，不只是"把文字串起来"。

3. MinerU（PDF-Extract-Kit）

上海 AI Lab 开源，学术论文提取精度很高，支持公式 LaTeX 还原。

特点： 学术场景最强，排版还原度好。

4. LlamaParse（云服务）

LlamaIndex 旗下的 PDF 解析服务，API 调用，支持表格、图片、复杂排版。

from llama_parse import LlamaParse
parser = LlamaParse(result_type="markdown")
docs = parser.load_data("report.pdf")

特点： 精度极高，但按页收费，适合小批量高质量需求。

---

怎么选？

对比维度	传统库（PyMuPDF/pdfplumber）	新派工具（Marker/Docling）
速度	快，毫秒级	慢，秒级甚至分钟级
硬件要求	无	最好有 GPU
输出质量	原始文本，可能乱序	结构化 Markdown，排版还原
表格	pdfplumber 不错	更好，但也不是完美
适合场景	批量处理、简单提取	高质量文档转换、RAG 预处理

总结： 先判断 PDF 复杂度。简单报表用 PyMuPDF/pdfplumber。复杂排版/学术论文/多栏布局，直接上 Marker 或 Docling，省得自己调参。

如果各位观众姥爷觉得有帮助的话，希望可以一键三连！你的点赞关注是我持续创作的动力。