Python从PDF中提取文本的方法效率总结

 更新时间:2023年09月15日 09:31:46   作者:一口神探  
日常工作中我们经常会用到pdf格式的文件,大多数情况下是浏览或者编辑pdf信息,但有时候需要提取pdf中的文本,这篇文章主要给大家总结介绍了关于Python从PDF中提取文本的方法效率,需要的朋友可以参考下

前言

这段时间做了好几个关于年报的需求,其中无一例外需要从年报PDF中提取文本再进行下一步的操作。为了提高效率,对比分析了python中各种可以实现此功能的方法效率。

一、pdfplumber

简介:

  • 可以为pdf文件插入文本字符、矩形和行的详细信息
  • 对于非扫描格式pdf解析效果最佳
  • 基于pdfminer.six构建
  • 代码简洁,易于理解

安装:

pip install pdfplumber

示例:

import pdfplumber
def pdf2txt(pdf_path):
    txt = ''
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            txt = txt + page.extract_text()
    return txt

二、pdfminer

简介:

  • 可以获取文本的提取位置以及其他布局信息
  • 可将pdf转换为其他格式(HTML/XML)
  • 支持基本的加密方式(RC4 and AES)

安装:

pip install pdfminer

示例:

from pdfminer.converter import TextConverter
from pdfminer.pdfdocument import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
def parsePDF(PDF_path):
    resource_manager = PDFResourceManager()
    fake_file_handle = io.StringIO()
    converter = TextConverter(resource_manager,fake_file_handle)
    page_interpreter = PDFPageInterpreter(resource_manager,converter)
    with open(PDF_path,'rb') as fh:
        for page in PDFPage.get_pages(fh,caching=True,check_extractable=True):
            page_interpreter.process_page(page)
        text = fake_file_handle.getvalue()
    converter.close()
    fake_file_handle.close()
    if text:
        return text

三、fitz / pymupdf

简介:

  • 支持多种格式
  • 可以提取文字和图像
  • 搜索文本

安装:

直接安装fitz会出现较多问题,建议安装pymupdf

pip install pymupdf

示例:

import fitz
def parsePDF(filePath):
    with fitz.open(filePath) as doc:
        text = ""
        for page in doc.pages():
            text += page.get_text()
        if text:
            return text

官方示例:

https://github.com/pymupdf/PyMuPDF/tree/master/tests

四、性能对比

使用以上三种方法对同一个PDF进行文本提取,分别记录提取文本结果的长度和运行时间,结果如下:

fitz提取出的文本长度不仅更长,耗时更是快了不止10倍!

可以说fitz在提取文本的性能方面完爆其他库,但是却很少有文章介绍这个库,有点奇怪。

总结

到此这篇关于Python从PDF中提取文本的方法效率的文章就介绍到这了,更多相关Python从PDF提取文本内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • Python应用开发频繁假死的问题分析及解决

    Python应用开发频繁假死的问题分析及解决

    最近在开发一款自动化的应用,但是,在测试时,却发现了问题,当我点击暂停任务后,此时子线程被阻塞,如果我这个时候点击停止,那么就会任务结束,之后,如果我再点击开始运行,整个应用就会卡死,所以本文介绍了Python应用开发频繁假死的问题分析及解决,需要的朋友可以参考下
    2024-08-08
  • Python RabbitMQ实现简单的进程间通信示例

    Python RabbitMQ实现简单的进程间通信示例

    这篇文章主要介绍了Python RabbitMQ实现简单的进程间通信示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2020-07-07
  • python遍历文件夹下所有excel文件

    python遍历文件夹下所有excel文件

    这篇文章主要介绍了python遍历文件夹下所有excel文件的方法,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2018-01-01
  • Python wxpython模块响应鼠标拖动事件操作示例

    Python wxpython模块响应鼠标拖动事件操作示例

    这篇文章主要介绍了Python wxpython模块响应鼠标拖动事件操作,结合实例形式分析了Python使用wxpython模块创建窗口、绑定事件及相应鼠标事件相关操作技巧,需要的朋友可以参考下
    2018-08-08
  • 解决Django生产环境无法加载静态文件问题的解决

    解决Django生产环境无法加载静态文件问题的解决

    这篇文章主要介绍了解决Django生产环境无法加载静态文件问题的解决,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2019-04-04
  • Python Flask的request对象使用详解

    Python Flask的request对象使用详解

    本文介绍Flask request对象,一个完整的HTTP请求,包括客户端向服务端发送的Request请求和服务器端发送Response响应.为了能方便访问获取请求及响应报文信息,Flask框架提供了一些内建对象,下面就来说一下Flask针对请求提供内建对象reques,需要的朋友可以参考一下
    2023-02-02
  • Django ORM查询操作方式

    Django ORM查询操作方式

    Django提供了一套非常方便的类似SqlAlchemy ORM的通过对象调用的方式操作数据库表的ORM框架,,本文给大家详细介绍Django ORM查询操作方式,感兴趣的朋友一起看看吧
    2023-10-10
  • Prometheus开发中间件Exporter过程详解

    Prometheus开发中间件Exporter过程详解

    这篇文章主要介绍了Prometheus开发中间件Exporter过程详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2020-11-11
  • 浅析Django中关于session的使用

    浅析Django中关于session的使用

    这篇文章主要介绍了Django下关于session的使用,本文给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下
    2019-12-12
  • SQLAlchemy 2.0 类型注解指南之Mapped与mapped_column详解

    SQLAlchemy 2.0 类型注解指南之Mapped与mapped_column详解

    SQLAlchemy 1.4和2.0引入了新的声明式映射系统,核心组件是Mapped类型注解和mapped_column构造函数,旨在提供更好的Python类型提示支持,本文介绍SQLAlchemy 2.0 类型注解指南之Mapped与mapped_column,感兴趣的朋友跟随小编一起看看吧
    2025-12-12

最新评论