乐于分享
好东西不私藏

PDF处理——PDF文本提取

PDF处理——PDF文本提取

一、使用PyPDF2提取文本

1.1 基本文本提取

import PyPDF2

defextract_text(filepath):
"""提取PDF所有文本"""
withopen(filepath, 'rb'as file:
        reader = PyPDF2.PdfReader(file)
        text = ""

for page in reader.pages:
            text += page.extract_text() + "\n"

return text

# 使用
content = extract_text('document.pdf')
print(f"文本长度: {len(content)} 字符")
print(content[:500])

1.2 按页提取

import PyPDF2

defextract_text_by_page(filepath):
"""按页提取PDF文本"""
withopen(filepath, 'rb'as file:
        reader = PyPDF2.PdfReader(file)
        pages_text = []

for i, page inenumerate(reader.pages):
            text = page.extract_text()
            pages_text.append({
'page': i + 1,
'text': text,
'length'len(text)
            })

return pages_text

# 使用
pages = extract_text_by_page('document.pdf')
for page in pages:
print(f"第{page['page']}页: {page['length']} 字符")
if page['text']:
print(page['text'][:100] + "...")
print()

1.3 提取特定页面

import PyPDF2

defextract_pages(filepath, page_numbers):
"""提取指定页面文本"""
withopen(filepath, 'rb'as file:
        reader = PyPDF2.PdfReader(file)
        result = []

for page_num in page_numbers:
if0 <= page_num < len(reader.pages):
                text = reader.pages[page_num].extract_text()
                result.append({
'page': page_num + 1,
'text': text
                })

return result

# 提取第1、3、5页
pages = extract_pages('document.pdf', [024])
for page in pages:
print(f"第{page['page']}页:")
print(page['text'][:200])
print()

二、使用pdfplumber提取文本

2.1 安装pdfplumber

pip install pdfplumber

2.2 基本文本提取

import pdfplumber

defextract_with_pdfplumber(filepath):
"""使用pdfplumber提取文本(更准确)"""
    text = ""
with pdfplumber.open(filepath) as pdf:
for page in pdf.pages:
            text += page.extract_text() + "\n"
return text

# 使用
content = extract_with_pdfplumber('document.pdf')
print(content[:500])

2.3 提取表格数据

import pdfplumber

defextract_tables(filepath):
"""提取PDF中的表格数据"""
    tables = []
with pdfplumber.open(filepath) as pdf:
for i, page inenumerate(pdf.pages):
            page_tables = page.extract_tables()
if page_tables:
for j, table inenumerate(page_tables):
                    tables.append({
'page': i + 1,
'table': j + 1,
'data': table
                    })
return tables

# 使用
tables = extract_tables('document.pdf')
for table in tables:
print(f"第{table['page']}页 表格{table['table']}:")
for row in table['data']:
print(row)
print()

2.4 提取带格式的文本

import pdfplumber

defextract_with_format(filepath):
"""提取带格式信息的文本"""
with pdfplumber.open(filepath) as pdf:
for page_num, page inenumerate(pdf.pages, 1):
print(f"\n=== 第{page_num}页 ===")

# 提取文本块
            words = page.extract_words()
if words:
print("文本块:")
for word in words[:10]:
print(f"  {word['text']} (位置: {word['x0']:.1f}{word['top']:.1f})")

# 提取文本(保留位置信息)
            text = page.extract_text(x_tolerance=3, y_tolerance=3)
if text:
print("\n提取的文本:")
print(text[:200] + "...")

extract_with_format('document.pdf')

三、文本处理与清洗

3.1 文本清洗

import re

defclean_text(text):
"""清洗PDF提取的文本"""
# 移除多余空白
    text = re.sub(r'\s+'' ', text)

# 移除特殊字符
    text = re.sub(r'[^\w\s\u4e00-\u9fff\.\,\-\:;]''', text)

# 移除页码标记
    text = re.sub(r'\d+\s*/\s*\d+''', text)

# 移除页眉页脚(根据实际模式调整)
# text = re.sub(r'页眉.*?页脚', '', text, flags=re.DOTALL)

return text.strip()

defextract_and_clean(filepath):
"""提取并清洗文本"""
withopen(filepath, 'rb'as file:
        reader = PyPDF2.PdfReader(file)
        text = ""

for page in reader.pages:
            page_text = page.extract_text()
if page_text:
                text += page_text + "\n"

return clean_text(text)

# 使用
clean_content = extract_and_clean('document.pdf')
print(clean_content[:500])

3.2 提取结构化信息

import re
import PyPDF2

classPDFTextParser:
"""PDF文本解析器"""

def__init__(self, filepath):
self.filepath = filepath
self.text = self._extract_text()

def_extract_text(self):
"""提取文本"""
withopen(self.filepath, 'rb'as file:
            reader = PyPDF2.PdfReader(file)
            text = ""
for page in reader.pages:
                text += page.extract_text() + "\n"
return text

deffind_pattern(self, pattern):
"""查找特定模式"""
return re.findall(pattern, self.text, re.IGNORECASE)

defextract_emails(self):
"""提取邮箱地址"""
        pattern = r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}'
returnself.find_pattern(pattern)

defextract_phone_numbers(self):
"""提取电话号码"""
        patterns = [
r'\d{3}-\d{4}-\d{4}',
r'\d{10,11}',
r'\(\d{2,4}\)\s*\d{3,4}-\d{4}'
        ]
        phones = []
for pattern in patterns:
            phones.extend(self.find_pattern(pattern))
return phones

defextract_urls(self):
"""提取URL"""
        pattern = r'https?://[^\s]+'
returnself.find_pattern(pattern)

defextract_dates(self):
"""提取日期"""
        patterns = [
r'\d{4}-\d{2}-\d{2}',
r'\d{2}/\d{2}/\d{4}',
r'\d{2}\s+[A-Za-z]+\s+\d{4}'
        ]
        dates = []
for pattern in patterns:
            dates.extend(self.find_pattern(pattern))
return dates

defget_statistics(self):
"""获取文本统计"""
return {
'总字符数'len(self.text),
'单词数'len(re.findall(r'\w+'self.text)),
'行数'len(self.text.splitlines()),
'段落数'len(re.split(r'\n\s*\n'self.text.strip())),
'邮箱数'len(self.extract_emails()),
'电话号码数'len(self.extract_phone_numbers()),
'URL数'len(self.extract_urls()),
'日期数'len(self.extract_dates())
        }

# 使用
parser = PDFTextParser('document.pdf')
print("统计信息:")
for key, value in parser.get_statistics().items():
print(f"  {key}{value}")

print("\n邮箱地址:")
for email in parser.extract_emails():
print(f"  {email}")

print("\n电话号码:")
for phone in parser.extract_phone_numbers():
print(f"  {phone}")

四、实战案例

4.1 PDF内容搜索工具

import PyPDF2
import re
from pathlib import Path

classPDFSearchEngine:
"""PDF搜索工具"""

def__init__(self):
self.results = []

defsearch_in_pdf(self, filepath, keyword, case_sensitive=False):
"""在PDF中搜索关键词"""
        results = []

withopen(filepath, 'rb'as file:
            reader = PyPDF2.PdfReader(file)

for i, page inenumerate(reader.pages):
                text = page.extract_text()
ifnot text:
continue

if case_sensitive:
                    matches = re.finditer(re.escape(keyword), text)
else:
                    matches = re.finditer(re.escape(keyword), text, re.IGNORECASE)

formatchin matches:
                    start = max(0match.start() - 50)
                    end = min(len(text), match.end() + 50)
                    context = text[start:end]

                    results.append({
'page': i + 1,
'keyword'match.group(),
'context': context,
'position'match.start()
                    })

return results

defsearch_multiple(self, folder_path, keyword, output_file='search_results.txt'):
"""在多个PDF中搜索"""
        pdf_files = list(Path(folder_path).glob('*.pdf'))

withopen(output_file, 'w', encoding='utf-8'as f:
            f.write(f"PDF搜索报告\n")
            f.write(f"关键词: {keyword}\n")
            f.write("="*50 + "\n\n")

for pdf_path in pdf_files:
                results = self.search_in_pdf(str(pdf_path), keyword)

if results:
                    f.write(f"文件: {pdf_path.name}\n")
                    f.write(f"找到 {len(results)} 处匹配\n")
                    f.write("-"*30 + "\n")

for result in results:
                        f.write(f"  第{result['page']}页:\n")
                        f.write(f"    ...{result['context']}...\n")
                        f.write("\n")

                    f.write("\n")

print(f"搜索结果已保存到: {output_file}")

# 使用
searcher = PDFSearchEngine()
results = searcher.search_in_pdf('document.pdf''Python')
for result in results:
print(f"第{result['page']}页: ...{result['context']}...")

4.2 PDF数据提取器

import PyPDF2
import re
import json
from datetime import datetime

classPDFDataExtractor:
"""PDF数据提取器"""

def__init__(self, filepath):
self.filepath = filepath
self.text = self._extract_text()

def_extract_text(self):
"""提取文本"""
withopen(self.filepath, 'rb'as file:
            reader = PyPDF2.PdfReader(file)
            text = ""
for page in reader.pages:
                page_text = page.extract_text()
if page_text:
                    text += page_text + "\n"
return text

defextract_invoice_info(self):
"""提取发票信息"""
        info = {}

# 提取发票号
match = re.search(r'发票号[::]\s*([A-Z0-9-]+)'self.text)
ifmatch:
            info['invoice_no'] = match.group(1)

# 提取日期
match = re.search(r'日期[::]\s*(\d{4}-\d{2}-\d{2})'self.text)
ifmatch:
            info['date'] = match.group(1)

# 提取金额
match = re.search(r'(合计|总)金额[::]\s*([\d,]+\.?\d*)'self.text)
ifmatch:
            info['amount'] = float(match.group(2).replace(','''))

# 提取客户名称
match = re.search(r'客户[::]\s*([^\n\r]+)'self.text)
ifmatch:
            info['customer'] = match.group(1).strip()

# 提取项目
        items = []
        item_pattern = r'(\d+)\s+([^\d]+)\s+([\d.]+)\s+([\d.]+)'
formatchin re.finditer(item_pattern, self.text):
            items.append({
'id'match.group(1),
'description'match.group(2).strip(),
'quantity'float(match.group(3)),
'price'float(match.group(4))
            })
        info['items'] = items

return info

defextract_resume_info(self):
"""提取简历信息"""
        info = {}

# 姓名
match = re.search(r'姓名[::]\s*([^\n\r]+)'self.text)
ifmatch:
            info['name'] = match.group(1).strip()

# 联系方式
match = re.search(r'电话[::]\s*([\d-]+)'self.text)
ifmatch:
            info['phone'] = match.group(1)

match = re.search(r'邮箱[::]\s*([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,})'self.text)
ifmatch:
            info['email'] = match.group(1)

# 技能
        skills = []
        skill_match = re.search(r'技能[::]\s*([^\n\r]+)'self.text)
if skill_match:
            skills = [s.strip() for s in skill_match.group(1).split(',')]
        info['skills'] = skills

# 工作经验
        experiences = []
        exp_pattern = r'(\d{4}-\d{2})\s*[-–]\s*(\d{4}-\d{2}|至今)\s*([^\n\r]+)'
formatchin re.finditer(exp_pattern, self.text):
            experiences.append({
'start'match.group(1),
'end'match.group(2),
'title'match.group(3).strip()
            })
        info['experience'] = experiences

return info

defextract_contract_info(self):
"""提取合同信息"""
        info = {}

# 合同编号
match = re.search(r'合同编号[::]\s*([A-Z0-9-]+)'self.text)
ifmatch:
            info['contract_no'] = match.group(1)

# 签约日期
match = re.search(r'签约日期[::]\s*(\d{4}-\d{2}-\d{2})'self.text)
ifmatch:
            info['sign_date'] = match.group(1)

# 甲方/乙方
match = re.search(r'甲方[::]\s*([^\n\r]+)'self.text)
ifmatch:
            info['party_a'] = match.group(1).strip()

match = re.search(r'乙方[::]\s*([^\n\r]+)'self.text)
ifmatch:
            info['party_b'] = match.group(1).strip()

# 金额
match = re.search(r'合同金额[::]\s*([\d,]+\.?\d*)'self.text)
ifmatch:
            info['amount'] = float(match.group(1).replace(','''))

return info

defto_json(self, output_file=None):
"""导出为JSON"""
        data = {
'file'self.filepath,
'extracted_at': datetime.now().isoformat(),
'invoice'self.extract_invoice_info(),
'resume'self.extract_resume_info(),
'contract'self.extract_contract_info()
        }

if output_file:
withopen(output_file, 'w', encoding='utf-8'as f:
                json.dump(data, f, ensure_ascii=False, indent=2)
print(f"数据已保存到: {output_file}")

return data

# 使用
extractor = PDFDataExtractor('document.pdf')
data = extractor.to_json('extracted_data.json')
print(json.dumps(data, ensure_ascii=False, indent=2)[:500])

五、性能优化

5.1 大文件处理

import PyPDF2

defextract_large_pdf(filepath, max_pages=None):
"""处理大PDF文件"""
withopen(filepath, 'rb'as file:
        reader = PyPDF2.PdfReader(file)
        total_pages = len(reader.pages)

# 限制处理页数
if max_pages and max_pages < total_pages:
            total_pages = max_pages

for i inrange(total_pages):
            page = reader.pages[i]
            text = page.extract_text()

# 逐页处理,不存储全部文本
yield {
'page': i + 1,
'text': text,
'progress': (i + 1) / total_pages * 100
            }

# 使用
for page_info in extract_large_pdf('large_document.pdf', max_pages=10):
print(f"第{page_info['page']}页: {len(page_info['text'])} 字符")

### 5.2 缓存提取结果

```python
import hashlib
import pickle
import os

classCachedPDFExtractor:
"""带缓存的PDF提取器"""

def__init__(self, cache_dir='cache'):
self.cache_dir = cache_dir
        os.makedirs(cache_dir, exist_ok=True)

def_get_cache_key(self, filepath):
"""生成缓存键"""
withopen(filepath, 'rb'as f:
            content = f.read(1024 * 1024)  # 读取前1MB
return hashlib.md5(content).hexdigest()

defextract_text(self, filepath):
"""提取文本(带缓存)"""
        cache_key = self._get_cache_key(filepath)
        cache_file = os.path.join(self.cache_dir, f"{cache_key}.pkl")

# 检查缓存
if os.path.exists(cache_file):
withopen(cache_file, 'rb'as f:
print("使用缓存")
return pickle.load(f)

# 提取文本
print("提取文本...")
withopen(filepath, 'rb'as file:
            reader = PyPDF2.PdfReader(file)
            text = ""
for page in reader.pages:
                text += page.extract_text() + "\n"

# 保存缓存
withopen(cache_file, 'wb'as f:
            pickle.dump(text, f)

return text

# 使用
extractor = CachedPDFExtractor()
text = extractor.extract_text('document.pdf')
print(f"文本长度: {len(text)}")

六、总结

# 快速参考

# 1. PyPDF2提取
withopen('file.pdf''rb'as f:
    reader = PyPDF2.PdfReader(f)
    text = reader.pages[0].extract_text()

# 2. pdfplumber提取(更准确)
with pdfplumber.open('file.pdf'as pdf:
    text = pdf.pages[0].extract_text()

# 3. 表格提取
with pdfplumber.open('file.pdf'as pdf:
    table = pdf.pages[0].extract_table()

# 4. 文本清洗
clean = re.sub(r'\s+'' ', text)

# 5. 提取特定信息
emails = re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', text)

# 6. 批量提取
for pdf in Path('.').glob('*.pdf'):
    process(pdf)

# 7. 缓存提取
defcached_extract(filepath):
# 检查缓存,避免重复提取
pass

PDF文本提取是处理PDF文档的基础功能。PyPDF2提供基本提取功能,pdfplumber提供更精确的提取和表格支持。根据文档类型和质量选择合适的工具,结合文本清洗和结构化提取,可以实现高效的数据提取。对于大规模处理,建议使用缓存和分页处理来优化性能。