一、前言

前几天想到python能不能扫描pdf的内容，变为文字显示出来。查完资料，发现有一个库可以pdfplumber

二、准备工作

先安装模块（库）

1

pip install pdfplumber

1

pip install pymupdf

1

pip install PyPDF2

#三、实现

使用 pdfplumber库

文字信息提取

• 利用pdfplumber打开一个PDF文件

  • 获取指定页，或者便利每一页
  • 利用.extract_text()方法提取当前页的文字

  代码如下：

  1 2 3 4 5 6

  # 提取pdf文字 import pdfplumber with pdfplumber.open("D:\\pdffiles\\Python编码规范中文版.pdf") as pdf: page01 = pdf.pages[0] #指定页码 text = page01.extract_text()#提取文本 print(text)

提取所有页pdf文字

代码如下：

1
2
3
4
5

import pdfplumber
with pdfplumber.open("D:\\pdffiles\\Python编码规范中文版.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()#提取文本
        print(text)

提取PDF表格

代码如下

1
2
3
4
5
6
7

# 提取pdf表格
import pdfplumber
with pdfplumber.open("D:\\pdffiles\\人力资源部岗位编制.pdf") as pdf:
    page01 = pdf.pages[0] #指定页码
    table1 = page01.extract_table()#提取单个表格
    # table2 = page01.extract_tables()#提取多个表格
    print(table1)

提取图片

对于图片提取，现在没有任何一个模块（库）可以做到百分之百的提取。文本只介绍基于fitz模块的代码，基本思路是通过正则查找图片并将其输出

PyPDF2 中有两个最常用的类：PdfFileReader和PdfFileWriter，分别用于读取 PDF 和写入 PDF。其中PdfFileReader传入参数可以是一个打开的文件对象，也可以是表示文件路径的字符串。而PdfFileWriter则必须传入一个以写方式打开的文件对象。