Python实现读取PDF文件并提取文本、表格和图像

pip install Spire.Pdf.Free

from spire.pdf import *
from spire.pdf.common import *

from spire.pdf import PdfDocument

# 加载 PDF 文档
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 获取页数
page_count = pdf.Pages.Count
print(f"总页数: {page_count}")

# 遍历每一页，获取页面尺寸
for i in range(page_count):
    page = pdf.Pages.get_Item(i)
    width = pdf.Size.Width
    height = page.Size.Height
    print(f"第 {i+1} 页尺寸: {width} x {height}")

pdf.Close()

from spire.pdf import *

def extract_text_from_pdf(pdf_path, start_page=1, end_page=None):
    pdf = PdfDocument()
    pdf.LoadFromFile(pdf_path)
    
    total_pages = pdf.Pages.Count
    if end_page is None or end_page > total_pages:
        end_page = total_pages
    
    # 免费版最多处理前10页，此处限制输出
    end_page = min(end_page, 10)
    
    for i in range(start_page - 1, end_page):
        page = pdf.Pages.get_Item(i)
        extractor = PdfTextExtractor(page)
        
        # 提取文本，可以设置提取参数（如是否保留空白布局）
        options = PdfTextExtractOptions()
        options.IsExtractAllText = True   # 提取全部文本（忽略表格/图片区域）
        text = extractor.ExtractText(options)
        
        print(f"--- 第 {i+1} 页文本 ---")
        print(text)
        print("\n")
    
    pdf.Close()

extract_text_from_pdf("sample.pdf", end_page=2)

import os
from spire.pdf import *

def extract_images_from_pdf(pdf_path, output_dir="images"):
    """
    提取 PDF 中所有图片并保存到指定文件夹
    注意：免费版最多处理前 10 页
    """
    # 创建输出目录
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    
    # 加载 PDF 文档
    pdf = PdfDocument()
    pdf.LoadFromFile(pdf_path)
    
    # 免费版限制：最多处理前 10 页
    page_limit = min(pdf.Pages.Count, 10)
    
    # 准备图片提取器
    image_helper = PdfImageHelper()
    
    # 遍历页面
    for page_index in range(page_limit):
        page = pdf.Pages.get_Item(page_index)
        images_info = image_helper.GetImagesInfo(page)
        
        # 保存当前页的所有图片
        for i, img_info in enumerate(images_info):
            # Image.Save() 方法会根据扩展名自动保存为 PNG 格式
            img_info.Image.Save(f"{output_dir}/page_{page_index}_img_{i}.png")
            print(f"已保存: page_{page_index}_img_{i}.png")
    
    pdf.Close()
    print(f"图片提取完成，共处理 {page_limit} 页，图片保存在 {output_dir} 目录下")

# 使用示例
extract_images_from_pdf("sample.pdf")

from spire.pdf import *

def extract_tables_from_pdf(pdf_path):
    pdf = PdfDocument()
    pdf.LoadFromFile(pdf_path)
    
    # 免费版最多处理前10页
    page_limit = min(pdf.Pages.Count, 10)
    extractor = PdfTableExtractor(pdf)
    
    for i in range(page_limit):
        page = pdf.Pages.get_Item(i)
        # 提取当前页的所有表格
        tables = extractor.ExtractTable(i)
        if tables:
            print(f"第 {i+1} 页发现 {len(tables)} 个表格")
            for t_idx, table in enumerate(tables):
                print(f"  表格 {t_idx+1}:")
                rows = table.GetRowCount()
                cols = table.GetColumnCount()
                print(f"    行数: {rows}, 列数: {cols}")
                # 获取表头（第一行）
                if rows > 0:
                    header = []
                    for c in range(cols):
                        header.append(table.GetText(0, c))
                    print(f"    表头: {header}")
                # 获取前3行数据示例
                for r in range(min(rows, 4)):
                    row_data = []
                    for c in range(cols):
                        row_data.append(table.GetText(r, c))
                    print(f"    第{r+1}行: {row_data}")
        else:
            print(f"第 {i+1} 页未发现表格")
    
    pdf.Close()

extract_tables_from_pdf("sample.pdf")