Python PDF识别之文本内容与表格提取方法总结_Python

一、前言

在数字化办公的浪潮中，pdf文件以其格式稳定、兼容性强等优点，成为文档存储与传输的重要载体。然而，当我们需要从pdf中提取文本和表格进行进一步处理或分析时，却常常面临诸多挑战。

不同的pdf文件类型、复杂的排版布局、扫描版pdf的图像识别等问题，都可能成为提取过程中的“拦路虎”。本文将深入探讨多种pdf文本与表格提取方法，结合实际代码示例，为大家呈现一份全面的pdf提取指南。

二、文本提取方法

1. pdfplumber：精准提取文本与表格

pdfplumber是一个功能强大的python库，尤其在处理包含表格的pdf文件时表现出色。通过pdfplumber，我们不仅能提取文本，还能对表格进行精确解析。

import pdfplumber

pdf_path = "你的pdf文件路径"

with pdfplumber.open(pdf_path) as pdf:
    text = ""
    for page in pdf.pages:
        page_text = page.extract_text()
        text += page_text
        print(page_text)

2. fitz（pymupdf）：快速提取文本与图像

fitz，即pymupdf，以其高效性著称。它不仅能够快速提取pdf中的文本，还能处理pdf中的图像内容。

import fitz

doc = fitz.open(pdf_path)
text = ""
for page in doc:
    page_text = page.get_text()
    text += page_text
    print(page_text)

3. pypdf2：简单文本提取的利器

pypdf2是一个广为人知的pdf处理库，虽然其功能相对基础，但对于简单的文本提取任务已经足够。

import pypdf2

def extract_text_from_pdf(pdf_path):
    pdfreader = pypdf2.pdfreader(pdf_path)
    text = ""
    for page_num in range(len(pdfreader.pages)):
        page = pdfreader.pages[page_num]
        text += page.extract_text()
    return text

print(extract_text_from_pdf(pdf_path))

4. pdfminer：深度自定义提取逻辑

pdfminer是一个高度可定制的pdf处理库，适用于需要深度自定义提取逻辑的场景。

from pdfminer.high_level import extract_text

def extract_text_from_pdf(pdf_path):
    text = extract_text(pdf_path)
    return text

print(extract_text_from_pdf(pdf_path))

5. pdfquery：提取特定区域文本

pdfquery通过坐标定位，能够精确提取指定区域的文本内容。

import pdfquery

def extract_specific_text_from_pdf(pdf_path):
    pdf = pdfquery.pdfquery(pdf_path)
    pdf.load()
    text = pdf.pq('lttextlinehorizontal:in_bbox("100, 500, 400, 600")').text()
    return text

print(extract_specific_text_from_pdf(pdf_path))

6. pytesseract与paddleocr：攻克扫描版pdf

对于扫描版pdf或图像型pdf，可以使用pytesseract和paddleocr进行ocr识别。

pytesseract：

from pdf2image import convert_from_path
import pytesseract

def extract_text_from_scanned_pdf(pdf_path):
    pages = convert_from_path(pdf_path)
    text = ""
    for page in pages:
        text += pytesseract.image_to_string(page, lang='chi_sim') + "\n"
    return text

print(extract_text_from_scanned_pdf(pdf_path))

paddleocr

from pdf2image import convert_from_path
from paddleocr import paddleocr

def extract_text_from_scanned_pdf(pdf_path, lang='ch'):
    ocr = paddleocr(use_angle_cls=true, lang=lang)
    pages = convert_from_path(pdf_path)
    text = ""
    for page in pages:
        result = ocr.ocr(page, cls=true)
        for idx in range(len(result)):
            res = result[idx]
            for line in res:
                text += line[1][0] + "\n"
    return text

print(extract_text_from_scanned_pdf(pdf_path))

7. aspose.pdf：商业应用的高质量选择

aspose.pdf是一个商业库，提供了高质量的文本和表格提取功能。

from aspose.pdf import document
from aspose.pdf.text import textfragmentabsorber

def extract_text_from_pdf(pdf_path):
    pdf_doc = document(pdf_path)
    absorber = textfragmentabsorber()
    text = ""
    for page in pdf_doc.pages:
        page.accept(absorber)
        for fragment in absorber.text_fragments:
            text += fragment.text + "\n"
        absorber.text_fragments.clear()
    return text

print(extract_text_from_pdf(pdf_path))

8. textract：简化文本提取流程

textract是一个简洁高效的文本提取库，能够快速实现文本提取功能。

import textract

def extract_text_from_pdf(pdf_path):
    text = textract.process(pdf_path, method='pdfminer')
    print("-----------textract--------------------")
    print(text.decode('utf-8'))
    return text.decode('utf-8')

print(extract_text_from_pdf(pdf_path))

三、表格提取方法

1. pdfplumber：精确表格提取

pdfplumber不仅擅长文本提取，还能精确提取pdf中的表格数据。

import pdfplumber

with pdfplumber.open(pdf_path) as pdf:
    for page in pdf.pages:
        table = page.extract_table()
        if table:
            for row in table:
                print(row)

2. camelot：智能表格提取

camelot是一个专门用于从pdf中提取表格数据的python库，它能够智能地识别pdf中的表格结构。

import camelot
import pandas as pd

def extract_tables_from_pdf(pdf_path):
    tables = camelot.read_pdf(pdf_path, flavor='stream')
    combined_df = pd.concat([table.df for table in tables])
    print("-----------camelot--------------------")
    return combined_df

tables_df = extract_tables_from_pdf(pdf_path)
print(tables_df)

3. aspose.pdf：高质量表格提取

aspose.pdf库也提供了表格提取的功能，适合商业应用。

from aspose.pdf import document
from aspose.pdf.text import textfragmentabsorber

def extract_tables_from_pdf(pdf_path):
    pdf_doc = document(pdf_path)
    absorber = textfragmentabsorber()
    tables = []
    for page in pdf_doc.pages:
        page.accept(absorber)
        for fragment in absorber.text_fragments:
            # 处理表格数据
            pass
    return tables

print(extract_tables_from_pdf(pdf_path))