Python实现读取PDF并提取文本和图片

pip install Spire.PDF

from spire.pdf import PdfDocument

# 创建一个 PdfDocument 实例
pdf = PdfDocument()
# 加载本地的 PDF 文档
pdf.LoadFromFile("sample.pdf")

from spire.pdf import PdfDocument, Stream

# 将文件读取为字节数组（这里演示从文件读，实际也可以来自网络）
with open("sample.pdf", "rb") as f:
    byte_data = f.read()

# 创建数据流对象
pdfStream = Stream(byte_data)
# 从流中加载 PDF
pdf = PdfDocument(pdfStream)

# 假设 pdf 对象已经通过上面的方式加载完成
all_text = ""

# 循环遍历每一页
for pageIndex in range(pdf.Pages.Count):
    # 根据索引获取当前页
    page = pdf.Pages.get_Item(pageIndex)

    # 创建文本提取器
    text_extractor = PdfTextExtractor(page)

    # 配置提取选项
    options = PdfTextExtractOptions()
    options.IsExtractAllText = True
    options.IsSimpleExtraction = True

    # 执行提取并累加
    all_text += text_extractor.ExtractText(options)

# 打印结果
print(all_text)

# 获取第一页（索引为0）
page = pdf.Pages.get_Item(0)

# 创建图片辅助对象
image_helper = PdfImageHelper()
# 获取该页面上的所有图片信息
images_info = image_helper.GetImagesInfo(page)

# 遍历并保存每一张图片
for i in range(len(images_info)):
    # 保存为 PNG 格式
    images_info[i].Image.Save(f"output/Images/image_{i}.png")

print(f"成功提取 {len(images_info)} 张图片")

pip install PyMuPDF

import fitz  # PyMuPDF 的导入名
def extract_text_and_images(pdf_path):
    """从PDF中提取文本并保存所有图片"""
    doc = fitz.open(pdf_path)
    full_text = ""
    for page_num in range(len(doc)):
        page = doc[page_num]
        # 1. 提取当前页的文本
        page_text = page.get_text()
        full_text += page_text
        # 2. 提取当前页的图片
        image_list = page.get_images(full=True)
        for img_index, img in enumerate(image_list):
            xref = img[0]  # 图片的引用ID
            base_image = doc.extract_image(xref)
            image_bytes = base_image["image"]
            image_ext = base_image["ext"]  # 图片扩展名，如 'png', 'jpeg'
            with open(f"image_page{page_num+1}_{img_index}.{image_ext}", "wb") as img_file:
                img_file.write(image_bytes)
    doc.close()
    return full_text
# 使用示例
text_content = extract_text_and_images("your_document.pdf")
print(text_content[:500]) # 打印前500个字符

pip install pdfplumber

import pdfplumber
with pdfplumber.open("table_file.pdf") as pdf:
    first_page = pdf.pages[0]
    # 尝试自动识别并提取页面上的第一个表格
    table = first_page.extract_table()
    if table:
        for row in table:
            print(row)   # 打印表格的每一行

pip install pypdf

from pypdf import PdfReader
reader = PdfReader("example.pdf")
text = ""
for page in reader.pages:
    text += page.extract_text()
print(text)

import pymupdf
doc = pymupdf.open("scanned.pdf")
for page in doc:
    # 获取 OCR 文本页，如果已有文本层，常规方法也能拿到
    tp = page.get_textpage_ocr()
    text = page.get_text(textpage=tp)
    print(text)