【PDF识别】总结PDF文本内容与表格提取的方法
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))四、总结
在PDF文本与表格提取的征程中，我们遇到了各种挑战，也探索了多种解决方案。每种方法都有其独特的适用场景和优缺点：
- 简单文本提取：PyPDF2和fitz是不错的选择，简单易用，适合初学者快速上手。
- 表格与精确文本提取：pdfplumber在处理表格方面表现出色，能够满足对文本和表格精确提取的需求。
- 复杂PDF处理：pdfminer的灵活性使其能够应对复杂的PDF结构，适合需要深度自定义提取逻辑的场景。
- 扫描PDF处理：pytesseract和PaddleOCR是OCR技术的代表，能够攻克扫描版PDF的难题，但对图像质量有一定要求。
- 商业应用：aspose.pdf以其高质量的提取效果和稳定性，成为商业应用中的优选，尽管需要考虑成本因素。
- 简化提取流程：textract通过封装底层逻辑，提供了简洁高效的文本提取方式，适合快速开发。
- 智能表格提取：camelot在表格提取方面表现出色，能够智能识别PDF中的表格结构，提高提取效率。