利用Python提取PDF文本并转换为JSON

pip install spire.pdf.free

from spire.pdf.common import *
from spire.pdf import *
import json
input_pdf = "SampleReport.pdf"
# 创建 PDF 文档对象
pdf = PdfDocument()
# 加载 PDF 文件
pdf.LoadFromFile(input_pdf)
# 获取文档属性信息
doc_info = pdf.DocumentInformation
metadata = {
    "title": doc_info.Title,
    "author": doc_info.Author,
    "subject": doc_info.Subject,
    "keywords": doc_info.Keywords,
    "creation_date": doc_info.CreationDate.strftime("%Y-%m-%d %H:%M:%S"),
    "modification_date": doc_info.ModificationDate.strftime("%Y-%m-%d %H:%M:%S")
}

pages_data = []
page_count = pdf.Pages.Count

for i in range(page_count):
    # 获取当前页面
    page = pdf.Pages[i]

    # 创建文本提取器
    text_extractor = PdfTextExtractor(page)
    # 创建提取选项
    text_options = PdfTextExtractOptions()

    # 提取页面文本
    page_text = text_extractor.ExtractText(text_options)

    # 将页面信息记录到列表
    pages_data.append({
        "page_number": i + 1,
        "content": page_text.strip()
    })

# 组装完整的 JSON 数据结构
result = {
    "document_info": metadata,
    "total_pages": page_count,
    "pages": pages_data
}
# 设置 JSON 输出路径
output_json = "output/pdf_content.json"
# 写入 JSON 文件
with open(output_json, "w", encoding="utf-8") as f:
    json.dump(result, f, ensure_ascii=False, indent=2)
# 关闭文档
pdf.Close()

pip install pdfplumber

import json
import pdfplumber
from pathlib import Path
def pdf_to_json(pdf_path, output_path=None, include_metadata=False):
    """
    将 PDF 文本内容转换为 JSON 格式。
    Args:
        pdf_path (str): PDF 文件路径。
        output_path (str, optional): 输出 JSON 文件路径。若不指定，则返回 JSON 字符串。
        include_metadata (bool): 是否包含文档元数据（如标题、作者等）。
    Returns:
        str or None: 如果 output_path 为 None，返回 JSON 字符串；否则保存文件并返回 None。
    """
    result = {
        "source": str(pdf_path),
        "pages": []
    }
    with pdfplumber.open(pdf_path) as pdf:
        if include_metadata:
            result["metadata"] = pdf.metadata
        for i, page in enumerate(pdf.pages, start=1):
            text = page.extract_text() or ""  # 若无法提取则设为空字符串
            result["pages"].append({
                "page_num": i,
                "text": text.strip()
            })
    json_output = json.dumps(result, ensure_ascii=False, indent=2)
    if output_path:
        with open(output_path, "w", encoding="utf-8") as f:
            f.write(json_output)
        print(f"JSON 已保存至 {output_path}")
    else:
        return json_output

# 返回 JSON 字符串
json_str = pdf_to_json("sample.pdf")
print(json_str[:200])  # 打印前200个字符
# 保存为文件
pdf_to_json("sample.pdf", output_path="output.json", include_metadata=True)

{
  "source": "sample.pdf",
  "metadata": {
    "Title": "示例文档",
    "Author": "张三"
  },
  "pages": [
    {
      "page_num": 1,
      "text": "这是第一页的内容。\n包含多行文本。"
    },
    {
      "page_num": 2,
      "text": "第二页的内容……"
    }
  ]
}

# 提取每个文本块（带位置和字体）
blocks = []
for word in page.extract_words():
    blocks.append({
        "text": word["text"],
        "x0": word["x0"],
        "y0": word["top"],
        "font": word.get("fontname")
    })