ARTICLE · 1388106
Python读取PDF中的文字与表格,别再手动复制粘贴了!
如果只有一两份文件,手动复制粘贴也能解决。但如果是几百份合同、财务报表、订单清单呢?
一个个打开复制,不仅效率低,还容易漏数据。
Python 处理 PDF 有不少成熟的库,我平时比较推荐 PyMuPDF 和 pdfplumber。前者读取文字比较方便,后者在表格提取方面更顺手。
这篇直接上代码,看看怎么把 PDF 中的文字和表格提取出来。
一、先把 PDF 中的文字读出来
安装依赖:
pip install pymupdf
PyMuPDF 的导入名称是 fitz,不要被这个名字搞迷糊了。
假设现在有一份 PDF 文件,需要提取里面所有页面的文字,可以这样写:
import fitzpdf_path = "monthly_report.pdf"with fitz.open(pdf_path) as doc: for page_no, page in enumerate(doc, start=1): content = page.get_text("text") print(f"第 {page_no} 页") print(content)
这里有个细节,get_text("text") 返回的是页面文本,但不一定完全按照 PDF 上的视觉顺序排列。
尤其是双栏排版、页眉页脚比较复杂的文档,提取出来的内容可能出现顺序错乱。
可以尝试:
content = page.get_text("text", sort=True)
让 PyMuPDF 根据页面坐标重新排序。
如果是合同、说明书这类普通文档,通常已经够用了。
二、批量提取 PDF 并保存为 TXT
实际项目中,我一般不会只写一个读取文件的脚本。
更常见的是一个目录下面放了几十份 PDF,需要统一提取,后续再做数据清洗。
from pathlib import Pathimport fitzsource_dir = Path("./pdf_files")output_dir = Path("./text_result")output_dir.mkdir(exist_ok=True)for pdf_file in source_dir.glob("*.pdf"): try: with fitz.open(pdf_file) as doc: pages = [] for page in doc: text = page.get_text("text", sort=True) if text.strip(): pages.append(text) output_file = output_dir / f"{pdf_file.stem}.txt" output_file.write_text( "\n".join(pages), encoding="utf-8" ) print(f"提取完成:{pdf_file.name}") except Exception as e: print(f"处理失败:{pdf_file.name},原因:{e}")
这段代码做了几件事:
批量读取指定目录下的 PDF。 逐页提取文字。 跳过空白页面。 每份 PDF 单独生成 TXT 文件。 某个文件处理失败,不影响后面的文件。
这里我特意用了 Path,处理文件路径比到处拼接字符串舒服得多。
三、PDF 中的表格怎么提取?
文字提取相对简单,真正麻烦的是表格。
比如财务报表:
如果直接使用 get_text(),提取出来的可能只是一堆分散的文字,原来的行列关系就没了。
这种情况可以使用 pdfplumber。
安装:
pip install pdfplumber pandas openpyxl
先看一个简单例子:
import pdfplumberwith pdfplumber.open("finance_report.pdf") as pdf: for page_no, page in enumerate(pdf.pages, start=1): tables = page.extract_tables() for table in tables: for row in table: print(row)
extract_tables() 会尝试识别页面中的多个表格,并以二维列表的形式返回。
需要注意,PDF 并不是真正意义上的 Excel 表格。
有些 PDF 只是用线条和文字模拟表格,有些甚至没有边框。因此,提取效果和原始 PDF 的排版有很大关系。
遇到表格识别不完整的情况,可以尝试调整 table_settings,而不是一上来就怀疑 Python 库有问题。
四、提取表格后直接导出 Excel
既然都已经拿到二维数据了,顺手导出 Excel 就行。
import pdfplumberimport pandas as pdall_rows = []with pdfplumber.open("finance_report.pdf") as pdf: for page in pdf.pages: for table in page.extract_tables(): if not table or len(table) < 2: continue headers = table[0] for row in table[1:]: if len(row) != len(headers): continue all_rows.append(dict(zip(headers, row)))if all_rows: df = pd.DataFrame(all_rows) df.to_excel("report_result.xlsx", index=False) print(f"导出完成,共提取 {len(df)} 行")
这里有个实际开发中经常遇到的问题:PDF 表格可能跨页。
第二页可能没有重复表头,也可能存在合并单元格,直接把每页第一行都当成表头,最后的数据就容易乱掉。
所以这段代码适合表头结构一致的简单报表。对于跨页表格,还需要增加表头识别和数据校验逻辑。
五、还有一种 PDF,普通方法根本读不到文字
如果你拿到的是扫描版 PDF,执行:
text = page.get_text("text")
结果可能是空字符串。
这不是代码写错了。
因为扫描版 PDF 本质上是图片,里面没有真正的文本层。Python 读取文字,自然什么也读不到。
这种情况需要 OCR,也就是光学字符识别。
可以使用 Tesseract:
pip install pytesseract pillow
还需要单独安装 Tesseract OCR 程序,并配置对应的中文语言包。
import fitzimport pytesseractfrom PIL import Imagefrom io import BytesIOwith fitz.open("scan_report.pdf") as doc: for page_no, page in enumerate(doc, start=1): pix = page.get_pixmap(dpi=200) image = Image.open( BytesIO(pix.tobytes("png")) ) text = pytesseract.image_to_string( image, lang="chi_sim" ) print(f"第 {page_no} 页:") print(text)
这里需要注意,OCR 的准确率和扫描质量关系很大。
图片模糊、文字倾斜、表格线干扰,都可能影响识别结果。对于金额、身份证号、合同编号这类重要字段,提取之后最好再做一次规则校验。
实际项目中,我一般会这样选:
普通 PDF 文字提取:PyMuPDF。 PDF 表格提取:pdfplumber。 扫描版 PDF:OCR。 Excel 数据导出:pandas。
还有一点值得注意:不要默认所有 PDF 都能正常提取。正式跑批之前,最好先判断文件是否加密、页面是否有文本层,以及提取结果是不是空的。
PDF 自动化处理看起来只是读取几个文件,真正上线后,麻烦的往往不是读取,而是格式不统一、表格跨页、扫描件识别不准这些细节。
这些问题不提前处理,最后导出来的 Excel 看着整整齐齐,数据却可能已经错了。















































































