夜雨聆风
Python提取PDF内容,4个方法让效率翻倍!
你是不是经常需要从PDF里提取数据？
手动复制粘贴太慢了，格式还乱七八糟。
说实话，我之前也为此头疼。
直到我发现了Python的强大。
今天分享4个提取PDF内容的方法，让你告别复制粘贴。
往期阅读>>>
Python 自动化管理Jenkins的15个实用脚本，提升效率
App2Docker：如何无需编写Dockerfile也可以创建容器镜像
Python 自动化识别Nginx配置并导出为excel文件，提升Nginx管理效率
方法一：PyPDF2提取文字
最简单的方式就是用PyPDF2。
它像个基础版的PDF阅读器，能快速把文字抠出来。
import PyPDF2def extract_text_pypdf2(pdf_path): """提取PDF中的文字内容""" with open(pdf_path, 'rb') as file: pdf_reader = PyPDF2.PdfReader(file) text = "" for page in pdf_reader.pages: text += page.extract_text() return text用起来很简单对吧？
打开PDF，一页页读，把文字拼起来就行。
不过它只能提取文字，表格和图片就无能为力了。
适合场景
：只需要提取纯文字，PDF结构简单
方法二：pdfplumber（强烈推荐）
这个库我必须重点推荐。
为什么？因为它能提取文字、表格、图片三种内容。
就像一个全能选手，什么都能干。
import pdfplumberimport pandas as pddef extract_pdf_content(pdf_path): """使用 pdfplumber 提取 PDF 的文字、表格、图片信息""" results = { 'text': '', 'tables': [], 'images': [] } with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: # 1. 文字 text = page.extract_text() if text: results['text'] += text + '\n' # 2. 表格 tables = page.extract_tables() for table in tables: if table: df = pd.DataFrame(table[1:], columns=table[0]) results['tables'].append(df) # 3. 图片 for img in page.images: results['images'].append({ 'page': page.page_number, 'bbox': (img['x0'], img['y0'], img['x1'], img['y1']), 'width': img.get('width'), 'height': img.get('height') }) return results你看，代码也不复杂。
但功能强大多了，表格提取尤其出色。
适合场景
：需要提取文字+表格的PDF，最常用的方案
方法三：PyMuPDF提取图片
PyMuPDF（也叫fitz）的特点是什么？
图片提取效果好，速度快。
如果你需要把PDF里的图片都抠出来，选它准没错。
import fitzfrom PIL import Imageimport iodef extract_pdf_fitz(pdf_path): doc = fitz.open(pdf_path) results = {'text': '', 'images': []} for page_num in range(len(doc)): page = doc[page_num] # 1. 文字 results['text'] += page.get_text() # 2. 图片 for img in page.get_images(): xref = img[0] pix = fitz.Pixmap(doc, xref) if pix.n - pix.alpha < 4: img_data = pix.tobytes("png") results['images'].append( {'page': page_num+1, 'image_data': Image.open(io.BytesIO(img_data)), 'size': (pix.width, pix.height)} ) pix = None doc.close() return results图片提取的质量很高，还能转成PIL格式直接处理。
适合场景
：重点需要提取PDF中的图片
方法四：camelot专门提取表格
camelot是个专才，只干一件事：提取表格。
但这一件事，它做得比谁都好。
特别是那些复杂的表格，它的准确率最高。
import camelotdef extract_tables_camelot(pdf_path): """使用camelot专门提取表格（适合复杂的表格）""" tables = camelot.read_pdf(pdf_path, pages='all') results = [] for i, table in enumerate(tables): df = table.df results.append({ 'table_number': i + 1, 'accuracy': table.accuracy, 'dataframe': df, 'shape': df.shape }) return results它还能告诉你提取的准确率，很贴心。
适合场景
：PDF里有大量复杂表格，对准确率要求高
这四个方法怎么选？
给你一个简单的对比表：
|
|
|
|
|
|
|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
推荐
|
|
|
|
|
|
|
|
|
|
|
|
|
我的建议：
如果只要文字：PyPDF2够用了
如果要文字+表格：pdfplumber是首选
如果要图片：PyMuPDF
如果表格复杂：camelot
终极组合
pdfplumber + PyMuPDF，文字、表格、图片全覆盖
写在最后
Python处理PDF确实强大。
选对库，事半功倍。
希望这4个方法能帮到你。
如果有其他问题，评论区聊聊～
💬 你平时用Python处理PDF遇到过什么坑？欢迎分享！
如果这篇文章对你有帮助，点个在看让更多人看到吧
想高效学习Python？下面三本精选好书满足你的不同需求！
《流畅的Python（第2版）》——Python进阶必读！深入讲解高级特性与最佳实践，适合想精进的开发者。
《Python从新手到高手》：初学者首选，系统学习全栈技能。
《Python数据分析：从零基础入门到案例实战》——数据科学利器！手把手教你用Python处理数据，实战案例学完就能用。
三本书均支持先用后付、运费险和7天无理由退货，放心购买！点击“购买”按钮，立即开启你的Python学习之旅吧！
https://ima.qq.com/wiki/?shareId=f2628818f0874da17b71ffa0e5e8408114e7dbad46f1745bbd1cc1365277631c
