利用Python提取PDF文本的简单方法实例

闻溪

发布时间：2026-10-16| 4人浏览过

原创

本文介绍如何利用Python从包含文字和图片的PDF文件中提取文本。通过安装tika、wand和pytesseract库，结合Tika进行基础文本解析与Pytesseract进行OCR图像识别，实现完整的内容提取。文章提供了完整的代码示例、中文语言包配置方法及命令行执行步骤，帮助开发者快速处理复杂PDF文档。

通常情况下，直接复制粘贴是最便捷的方式。但当遇到无法通过Ctrl+C复制的情况时，我们可以借助Python脚本进行提取，具体操作流程如下。

第一步，安装工具库

首先需安装tika，该库用于从多种文件格式中检测文档类型并提取内容。

其次安装wand，这是一个基于ctypes的ImageMagick简单绑定，用于处理图像转换。

最后安装pytesseract，这是一款OCR识别工具，用于处理图像中的文字识别。

接下来创建一个虚拟环境，并在其中安装上述工具以确保依赖隔离。

python -m venv venv
source venv/bin/activate
pip install tika wand pytesseract

第二步，编写代码

假设PDF文件中同时包含文字和图片，以下代码可以直接识别其中的纯文本部分。

import io
import pytesseract
import sys
 
from PIL import Image
from tika import parser
from wand.image import Image as wi
 
text_raw = parser.from_file("example.pdf")
print(text_raw['content'].strip())

仅处理文字还不够，我们需要补充处理图片部分的功能，以提取图像中的文字。

def extract_text_image(from_file, lang='deu', image_type='jpeg', resolution=300):
    print("-- Parsing image", from_file, "--")
    print("---------------------------------")
    pdf_file = wi(filename=from_file, resolution=resolution)
    image = pdf_file.convert(image_type)
    image_blobs = []
    for img in image.sequence:
        img_page = wi(image=img)
        image_blobs.append(img_page.make_blob(image_type))
    extract = []
    for img_blob in image_blobs:
        image = Image.open(io.BytesIO(img_blob))
        text = pytesseract.image_to_string(image, lang=lang)
        extract.append(text)
    for item in extract:
        for line in item.split("\n"):
            print(line)

将上述两部分功能合并，得到完整的代码实现如下。

import io
import sys
 
from PIL import Image
import pytesseract
from wand.image import Image as wi
from tika import parser
 
def extract_text_image(from_file, lang='deu', image_type='jpeg', resolution=300):
    print("-- Parsing image", from_file, "--")
    print("---------------------------------")
    pdf_file = wi(filename=from_file, resolution=resolution)
    image = pdf_file.convert(image_type)
    for img in image.sequence:
        img_page = wi(image=img)
        image = Image.open(io.BytesIO(img_page.make_blob(image_type)))
        text = pytesseract.image_to_string(image, lang=lang)
        for part in text.split("\n"):
            print("{}".format(part))
 
def parse_text(from_file):
    print("-- Parsing text", from_file, "--")
    text_raw = parser.from_file(from_file)
    print("---------------------------------")
    print(text_raw['content'].strip())
    print("---------------------------------")
 
if __name__ == '__main__':
    parse_text(sys.argv[1])
    extract_text_image(sys.argv[1], sys.argv[2])

第三步，执行

假设我们的目标文件example.pdf包含上述内容。

在命令行中执行以下命令来运行脚本。

python run.py example.pdf deu | xargs -0 echo > extract.txt

最终生成的extract.txt文件结果如下所示。

-- Parsing text example.pdf -- --------------------------------- Title pure text Content pure text Slide 1 Slide 2 --------------------------------- -- Parsing image example.pdf -- --------------------------------- Title pure text Content pure text Title in image Text in image

读者可能会疑问，若需处理简体中文，lang参数应如何设置？实际上应传递'chi_sim'，官方对此有明确说明，相关链接如下。

https://github.com/tesseract-ocr/tessdoc/blob/main/Data-Files-in-different-versions.md