Python提取PDF内容，4个方法让效率翻倍！

用户11081884

发布于 2026-07-20 19:58:33

890

文章被收录于专栏：用户11081884的专栏用户11081884的专栏

你是不是经常需要从PDF里提取数据？

手动复制粘贴太慢了，格式还乱七八糟。

说实话，我之前也为此头疼。

直到我发现了Python的强大。

今天分享4个提取PDF内容的方法，让你告别复制粘贴。

方法一：PyPDF2提取文字

最简单的方式就是用PyPDF2。

它像个基础版的PDF阅读器，能快速把文字抠出来。

import PyPDF2

def extract_text_pypdf2(pdf_path):
    """提取PDF中的文字内容"""
    with open(pdf_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        text = ""
        for page in pdf_reader.pages:
            text += page.extract_text()
        return text

用起来很简单对吧？

打开PDF，一页页读，把文字拼起来就行。

不过它只能提取文字，表格和图片就无能为力了。

适合场景：只需要提取纯文字，PDF结构简单

方法二：pdfplumber（强烈推荐）

这个库我必须重点推荐。

为什么？因为它能提取文字、表格、图片三种内容。

就像一个全能选手，什么都能干。

import pdfplumber
import pandas as pd

def extract_pdf_content(pdf_path):
    """使用 pdfplumber 提取 PDF 的文字、表格、图片信息"""
    results = {
        'text': '',
        'tables': [],
        'images': []
    }

    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            # 1. 文字
            text = page.extract_text()
            if text:
                results['text'] += text + '\n'

            # 2. 表格
            tables = page.extract_tables()
            for table in tables:
                if table:
                    df = pd.DataFrame(table[1:], columns=table[0])
                    results['tables'].append(df)

            # 3. 图片
            for img in page.images:
                results['images'].append({
                    'page': page.page_number,
                    'bbox': (img['x0'], img['y0'], img['x1'], img['y1']),
                    'width': img.get('width'),
                    'height': img.get('height')
                })

    return results

你看，代码也不复杂。

但功能强大多了，表格提取尤其出色。

适合场景：需要提取文字+表格的PDF，最常用的方案

方法三：PyMuPDF提取图片

PyMuPDF（也叫fitz）的特点是什么？

图片提取效果好，速度快。

如果你需要把PDF里的图片都抠出来，选它准没错。

import fitz
from PIL import Image
import io

def extract_pdf_fitz(pdf_path):
    doc = fitz.open(pdf_path)
    results = {'text': '', 'images': []}

    for page_num in range(len(doc)):
        page = doc[page_num]

        # 1. 文字
        results['text'] += page.get_text()

        # 2. 图片
        for img in page.get_images():
            xref = img[0]                       
            pix = fitz.Pixmap(doc, xref)
            if pix.n - pix.alpha < 4:        
                img_data = pix.tobytes("png")
                results['images'].append(
                    {'page': page_num+1,
                     'image_data': Image.open(io.BytesIO(img_data)),
                     'size': (pix.width, pix.height)}
                )
            pix = None

    doc.close()
    return results

图片提取的质量很高，还能转成PIL格式直接处理。

适合场景：重点需要提取PDF中的图片

方法四：camelot专门提取表格

camelot是个专才，只干一件事：提取表格。

但这一件事，它做得比谁都好。

特别是那些复杂的表格，它的准确率最高。

import camelot

def extract_tables_camelot(pdf_path):
    """使用camelot专门提取表格（适合复杂的表格）"""
    tables = camelot.read_pdf(pdf_path, pages='all')

    results = []
    for i, table in enumerate(tables):
        df = table.df
        results.append({
            'table_number': i + 1,
            'accuracy': table.accuracy,
            'dataframe': df,
            'shape': df.shape
        })

    return results

它还能告诉你提取的准确率，很贴心。

适合场景：PDF里有大量复杂表格，对准确率要求高

这四个方法怎么选？

给你一个简单的对比表：

库名称	文字提取	表格提取	图片提取	特点
PyPDF2	基础	不支持	不支持	轻量级，简单好用
pdfplumber	优秀	优秀	基础	推荐，全能选手
PyMuPDF	优秀	一般	优秀	图片提取快
camelot	一般	专业	不支持	表格提取专家