Python PDF处理入门指南

郑恩赐
147 阅读4分钟

Python PDF处理入门指南

目录

  1. PDF基础概念
  2. 核心PDF处理库
  3. 库的选择建议
  4. 常见问题解决
  5. 总结

PDF基础概念

什么是PDF？

PDF（Portable Document Format）是一种文档格式，可以在任何设备上保持一致的显示效果。

PDF的主要特点：

  • 跨平台：Windows、Mac、Linux都能正常显示
  • 格式固定：不会因为软件不同而改变布局
  • 支持多媒体：可以包含文字、图片、表格等

PDF的常见类型：

  • 文本PDF：可以直接复制文字
  • 扫描PDF：图片格式，需要OCR识别文字
  • 混合PDF：既有文字又有图片

核心PDF处理库

1. pypdf - 简单文本提取

适用场景： 提取PDF中的文字内容

安装：

pip install pypdf

基础用法：

import pypdf

# 读取PDF文件
with open('document.pdf', 'rb') as file:
    reader = pypdf.PdfReader(file)
    
    # 获取页数
    print(f"总页数: {len(reader.pages)}")
    
    # 提取所有文字
    text = ""
    for page in reader.pages:
        text += page.extract_text()
    
    print(text)

优点： 简单易用，速度快 缺点： 对复杂布局支持有限

2. pdfplumber - 表格数据提取

适用场景： 从PDF中提取表格数据

安装：

pip install pdfplumber

基础用法：

import pdfplumber

# 打开PDF文件
with pdfplumber.open('document.pdf') as pdf:
    # 处理第一页
    page = pdf.pages[0]
    
    # 提取文字
    text = page.extract_text()
    print("文字内容:")
    print(text)
    
    # 提取表格
    tables = page.extract_tables()
    if tables:
        print("\n表格数据:")
        for table in tables:
            for row in table:
                print(row)

优点： 表格提取效果好 缺点： 处理速度较慢

3. PyMuPDF - 高性能处理

适用场景： 需要快速处理大量PDF文件

安装：

pip install PyMuPDF

基础用法：

import fitz  # PyMuPDF

# 打开PDF文件
doc = fitz.open('document.pdf')

# 遍历所有页面
for page_num in range(doc.page_count):
    page = doc[page_num]
    
    # 提取文字
    text = page.get_text()
    print(f"第{page_num + 1}页:")
    print(text)
    
    # 提取图片
    image_list = page.get_images()
    print(f"本页有 {len(image_list)} 张图片")

doc.close()

优点： 速度快，功能强大 缺点： 学习曲线较陡

4. reportlab - PDF生成

适用场景： 创建新的PDF文档

安装：

pip install reportlab

基础用法：

from reportlab.lib.pagesizes import A4
from reportlab.platypus import SimpleDocTemplate, Paragraph
from reportlab.lib.styles import getSampleStyleSheet

# 创建PDF文档
doc = SimpleDocTemplate("output.pdf", pagesize=A4)
styles = getSampleStyleSheet()

# 创建内容
story = []
story.append(Paragraph("我的第一个PDF文档", styles['Title']))
story.append(Paragraph("这是使用Python生成的PDF文档。", styles['Normal']))

# 生成PDF
doc.build(story)
print("PDF已生成: output.pdf")

优点： 功能强大，支持复杂布局 缺点： 学习成本高

库的选择建议

根据需求选择：

需求推荐库理由
简单文字提取pypdf最简单，适合初学者
提取表格数据pdfplumber表格处理效果好
处理大量文件PyMuPDF速度快，性能好
创建PDF文档reportlab功能最全面

学习建议：

  1. 初学者：从pypdf开始
  2. 需要表格：学习pdfplumber
  3. 性能要求高：使用PyMuPDF
  4. 要生成PDF：学习reportlab

常见问题解决

1. 安装问题

问题： pip安装失败 解决：

# 升级pip
python -m pip install --upgrade pip

# 使用国内镜像
pip install pypdf -i https://pypi.tuna.tsinghua.edu.cn/simple/

问题： PyMuPDF安装失败 解决：

# Windows用户可能需要安装Microsoft Visual C++
# 或者使用conda安装
conda install -c conda-forge pymupdf

2. 编码问题

问题： 中文显示乱码 解决：

# 保存时指定编码
with open('output.txt', 'w', encoding='utf-8') as f:
    f.write(text)

3. 文件权限问题

问题： 无法读取PDF文件 解决：

import os

# 检查文件是否存在
if os.path.exists('document.pdf'):
    print("文件存在")
else:
    print("文件不存在")

# 检查文件权限
if os.access('document.pdf', os.R_OK):
    print("文件可读")
else:
    print("文件不可读")

4. 内存不足

问题： 处理大文件时内存不足 解决：

# 分页处理
def process_large_pdf(pdf_path):
    with open(pdf_path, 'rb') as file:
        reader = pypdf.PdfReader(file)
        
        # 每次只处理一页
        for i, page in enumerate(reader.pages):
            text = page.extract_text()
            print(f"处理第{i+1}页...")
            # 处理当前页的内容
            # 不要一次性保存所有内容

总结

核心要点：

  1. pypdf：最简单的文字提取工具
  2. pdfplumber：最好的表格提取工具
  3. PyMuPDF：最快的处理工具
  4. reportlab：最强大的PDF生成工具

学习路径：

  1. 先学会用pypdf提取文字
  2. 需要表格时学习pdfplumber
  3. 需要高性能时学习PyMuPDF
  4. 需要生成PDF时学习reportlab

实用建议：

  • 从简单需求开始
  • 遇到问题先查文档
  • 多练习，多尝试
  • 不要一开始就追求复杂功能

作者： 厦门工学院人工智能创作坊 --郑恩赐
日期： 2025-9-23

avatar
文章
阅读
粉丝