使用pdfplumber提取pdf中的文字

一、安装 pdfplumber

pdfplumber 是一个 Python 库，必须通过 pip 安装才能在 Python 代码中进行使用。使用以下命令在 Python 中安装 pdfplumber。

pip install pdfplumber
1

二、用 pdfplumber 打开 PDF 文档

在 Python 中使用 pdfplumber 打开 PDF 文档的方法非常简单。只需要调用 pdfplumber 的 open 方法并传递 PDF 文件的路径。

import pdfplumber
with pdfplumber.open("example.pdf") as pdf:
  # do something with pdf
1
2
3

三、提取文本

使用 pdfplumber 可以很容易地提取文档中的文本内容。对于一个页面，你可以使用 extract_text() 方法来提取页面上的文本。

with pdfplumber.open("example.pdf") as pdf:
  for i, page in enumerate(pdf.pages):
    text = page.extract_text()
    print(f"This is the text on page {i}:")
    print(text)
1
2
3
4
5

使用 extract_text() 方法会返回一个字符串，其中包含页面中的所有文本。如果你只想提取页面的一部分文本，可以将提取的区域作为参数传递给 extract_text() 方法。

四、提取表格

如果 PDF 文档中包含表格，则可以使用 pdfplumber 将表格提取为 Pandas DataFrame 对象，并对其进行进一步处理。

首先，我们需要用 extract_tables() 方法来提取所有表格。

with pdfplumber.open("example.pdf") as pdf:
  for i, page in enumerate(pdf.pages):
    tables = page.extract_tables()
    for table in tables:
      df = pd.DataFrame(table[1:], columns=table[0])
      print("This is a table on page ",i)
      print(df.head())
1
2
3
4
5
6
7

extract_tables() 方法将返回一个列表，其中包含每个表格的列表，每个表格都是一个嵌套列表。在将表格转换为 DataFrame 之前，请确保在第一行包含表头。

五、转换为图像

在某些情况下，你可能需要将 PDF 页面转换为图像格式，例如 PNG 或 JPEG。使用 pdfplumber 可以很容易地实现这一点。

首先，我们需要使用 Page 对象的 render() 方法将页面渲染为图像。

with pdfplumber.open("example.pdf") as pdf:
  for i, page in enumerate(pdf.pages):
    im = page.to_image(resolution=150)
    im.save("page-{}.png".format(i), format="png")
1
2
3
4

render() 方法将返回一个 PageImage 对象，你可以使用该对象的 save() 方法将图像保存到文件。在 save() 方法中指定文件名和所需的图像格式。