Python教程-使用 Python 读取并解析 PDF 文件

清华大佬耗费三个月吐血整理的几百G的资源，免费分享！....>>>

PDF，几乎每个人都不陌生的文件格式。作为一名开发者，如何自动化地处理 PDF，读取其中的内容，成为了一个必须掌握的技能。而幸运的是，Python 作为我们的万能工具箱，提供了多种处理 PDF 文件的第三方库。本文会聚焦三个常用的 Python PDF 库：PyPDF2、pdfplumber 和 PDFMiner。它们各有千秋，性能、功能、以及易用性都有所不同。

01常见需求                                
解析 PDF 的常见需求提取文本：从 PDF 中提取出文本，用来后续分析、处理。
提取表格：一些 PDF 里包含结构化数据，尤其是表格，需要自动化提取。
批量处理：一次性处理成百上千的 PDF 文件，无需手动操作。
合并或拆分 PDF：有时候我们需要将多个 PDF 合并，或者从大文件中拆分出某几页。
数据抓取：需要从网页上下载 pdf 文件并识别提取某些数据；

02解析库的较量                          
接下来，我们将从这三大主流库的功能、优缺点等方面做个详细对比，帮助你找到最适合自己的解析工具。

1. PyPDF2：简洁易用，功能齐全的老牌选手
优点
易用性强：PyPDF2 是老牌的 PDF 库，API 简单直接，非常容易上手，适合初学者。
基础功能齐全：不仅可以解析 PDF 文本，还可以合并、拆分 PDF 文件，甚至可以加密和解密 PDF。
跨平台支持：适用于 Windows、Linux、MacOS 等主流平台。

缺点
处理复杂 PDF 文件时有些力不从心：虽然它对简单的文本提取十分顺手，但面对带有复杂布局的 PDF 文件（比如多列、表格等），提取出来的文本可能会乱序或混乱。
不支持表格提取：PyPDF2 无法很好地处理 PDF 中的表格。

代码示例：使用 PyPDF2 提取 PDF 文本
让我们用 PyPDF2 来提取一个简单 PDF 文件中的文本：
import PyPDF2

# 打开 PDF 文件
with open("example.pdf", "rb") as file:
    # 创建 PDF 读取器
    reader = PyPDF2.PdfReader(file)
    
    # 初始化文本容器
    text = ""
    
    # 遍历每一页，提取文本
    for page_num in range(len(reader.pages)):
        page = reader.pages[page_num]
        text += page.extract_text()
    
    print(text)


运行这段代码，你就可以得到整个 PDF 的文本内容了。简单、快捷、好用，但请注意：如果 PDF 过于复杂，提取的结果可能并不理想。

2. pdfplumber：精细化文本与表格提取的好帮手

优点
文本、表格提取一网打尽：pdfplumber 的最大亮点在于它不仅能提取文本，还能高效处理 PDF 中的表格，甚至还能抓取页面上的图像等内容。
精细控制：pdfplumber 提供了对 PDF 页面结构的细致控制，适合需要精准提取的场景，比如财务报表、合同、调查问卷等。

缺点
相对较慢：由于它能解析更多复杂的内容，因此相比其他库，处理速度稍慢。
学习曲线稍高：它的功能强大，意味着你需要花更多时间学习如何正确使用，特别是表格提取部分。
代码示例：使用 pdfplumber 提取文本和表格
import pdfplumber

# 打开 PDF 文件
with pdfplumber.open("example.pdf") as pdf:
    # 提取第一页的内容
    first_page = pdf.pages[0]
    
    # 提取文本
    text = first_page.extract_text()
    print("文本内容：")
    print(text)
    
    # 提取表格
    tables = first_page.extract_tables()
    print("表格内容：")
    for table in tables:
        for row in table:
            print(row)

在这段代码中，我们不仅提取了文本，还提取了表格。pdfplumber 在处理表格方面表现出色，非常适合需要解析结构化数据的场景。

3. PDFMiner：深度解析 PDF 的硬核工具
优点
解析能力极强：PDFMiner 的解析功能非常强大，它能够识别出 PDF 中的文本、字体、段落等复杂布局。它不只是简单地提取内容，还能恢复文档的结构和层次。
精细提取：可以按照字符、行、段落等不同粒度来提取文本，适合需要对文档有深入分析的场景。
缺点
使用稍复杂：由于其功能强大，API 也较为复杂，对于新手而言，学习成本略高。
速度较慢：由于需要深度解析，PDFMiner 在处理复杂 PDF 时速度较慢。
代码示例：使用 PDFMiner 提取 PDF 文本
from pdfminer.high_level import extract_text

# 提取文本
text = extract_text("example.pdf")
print(text)

相对于 PyPDF2 和 pdfplumber，PDFMiner 的代码显得相对简单一些，但它在背后做了更多深层次的工作，解析出的文本通常结构更好，特别是对多列文本和带有复杂格式的 PDF 文件效果更好。

03库功能大比拼                          
选择最适合你的解析工具让我们来个大比拼，将这三大库的优缺点直观地对比一下：功能 PyPDF2 pdfplumber PDFMiner 
 
 
结论
如果你是 PDF 处理的初学者，且需要快速上手，PyPDF2 是最好的选择。
如果你需要精准提取文本和表格，尤其是面对带有结构化数据的 PDF，pdfplumber 无疑是你的最佳选择。
如果你的 PDF 文件非常复杂，带有多列文本或复杂布局，且你希望尽可能恢复文档的结构，PDFMiner 是首选。


04实战应用                               
批量解析 PDF 文件假设我们现在有一堆 PDF 文件，急需从中提取出文本内容并进行批量处理。接下来，我们将展示如何利用上述库来批量处理 PDF 文件，并将结果保存到文本文件中。

批量处理代码示例：
import os
import PyPDF2

def extract_text_from_pdfs(directory):
    for filename in os.listdir(directory):
        if filename.endswith(".pdf"):
            filepath = os.path.join(directory, filename)
            with open(filepath, "rb") as file:
                reader = PyPDF2.PdfReader(file)
                text = ""
                for page_num in range(len(reader.pages)):
                    page = reader.pages[page_num]
                    text += page.extract_text()
                
                # 保存提取的文本
                with open(f"{filename}.txt", "w", encoding="utf-8") as text_file:
                    text_file.write(text)
            print(f"已提取：{filename}")

extract_text_from_pdfs("pdf_folder")
这个简单的脚本遍历文件夹中的所有 PDF 文件，提取其中的文本并将其保存为 .txt 文件。你可以根据需要选择使用不同的 PDF 库来替换 PyPDF2。

05小结                                     
通过本文，我们详细对比了三大常用的 Python PDF 解析库 PyPDF2、pdfplumber 和 PDFMiner，各有千秋，适用于不同的场景。你可以根据具体需求选择最适合的库，并借助本文的代码示例快速上手。
在技术的世界里，工具是我们的伙伴，而最重要的，还是如何灵活运用它们。无论是简单的 PDF 文本提取，还是复杂的表格和图像解析，Python 都能帮你轻松搞定。

以上就是“Python教程-使用 Python 读取并解析 PDF 文件”的详细内容，想要了解更多Python教程欢迎持续关注编程学习网。