Python实战：使用pdfplumber高效提取PDF文本与表格

纸上星河

发布时间：2026-10-15| 6人浏览过

原创

本文详解Python中利用pdfplumber库进行PDF文件处理的全流程。重点介绍如何安装配置该库，掌握open()、extract_text()及extract_tables()等核心API的使用。通过代码示例展示文本与表格的精准提取方法，并解析Page对象的属性与参数配置，帮助开发者高效解决PDF内容解析需求。

实战场景

Python工程师在日常开发工作中，经常需要解析和处理PDF文件。实际业务需求主要涵盖以下几个方面：

提取PDF文档中的文字内容
将PDF文档的每一页转换为图片格式
Word文档转换为PDF格式
PDF文件的生成、编辑、导入与导出操作
PDF文件的在线渲染展示

除最后一项在线渲染需前端配合外，其余功能均可在Python后端直接实现。

本次实战选用pdfplumber库进行深入学习。建议提前安装该库，但需注意，该库主要专注于读取PDF并进行操作，暂不支持写入和编辑功能，即本文聚焦于一款专用于PDF内容提取的工具库。

> pip install pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple

pdfplumber库具备以下核心特点：

能够访问PDF对象中的任意元素详细信息；
支持提取文本和表格，且使用方式简单直观；
集成了可视化调试功能。

Python PDF实战编码

接下来编写PDF操作的基础代码。

import pdfplumber

with pdfplumber.open('./dddd.pdf') as pdf:
    for page in pdf.pages:
        print(page.extract_text())

        # 每页打印一分页分隔
        print('---------- 分页分隔 ----------')

导入pdfplumber模块后，使用pdfplumber.open('./dddd.pdf')打开本地PDF文件，随后通过pdf.pages遍历所有页面，再利用页对象的.extract_text()方法提取文本信息。

pdfplumber.open()方法的签名如下所示：

pdfplumber.open("文件名", password = "密码", laparams = { "line_overlap": 0.7 })

其中各参数描述如下：

file_name：文件名，必选参数；
password：PDF文件的密码；
laparams：布局参数。

此外，若希望读取PDF，还可以使用load()方法，该方法同样返回pdfplumber.PDF类的实例。

pdfplumber.PDF对象实例主要包含两个重要属性：

.metadata：从PDF的Info中获取元数据键/值对字典，通常包括“CreationDate”、“ModDate”、“Producer”等；
.pages：包含pdfplumber.Page实例的列表，每个实例代表PDF中每一页的信息。

上文提及的pdfplumber.Page实例是pdfplumber的核心，后续对PDF的大量操作均围绕该类的属性和方法展开，其重要属性如下所示：

page_number：页码顺序，第一页的序号为1；
witdh：页面宽度；
height：页面高度；
.objects/.chars/.lines/.rects/.curves/.figures/.images：获取PDF页中的重要数据。

核心方法如下所示：

extract_text()：提取页面中的文本；
extract_words()：提取所有单词及其相关信息；
extract_tables()：提取页面中的表格。

extract_text()呈现结果

extract_words()呈现结果

extract_tables()呈现效果，由于示例PDF中无表格，因此每页得到的结果均为空。

补充

当然，Python除了读取PDF文件外，还有一些其他功能，例如加密PDF、旋转和叠加页面等，下面是实现的示例代码。

旋转和叠加页面

import PyPDF2

from PyPDF2.pdf import PageObject

# 创建一个读PDF文件的Reader对象

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')

# 创建一个写PDF文件的Writer对象

writer = PyPDF2.PdfFileWriter()

# 对PDF文件所有页进行循环遍历

for page_num in range(reader.numPages):

      # 获取指定页码的Page对象

      current_page = reader.getPage(page_num) # type: PageObject

      if page_num % 2 == 0:

         # 奇数页顺时针旋转90度

         current_page.rotateClockwise(90)

      else:

# 偶数页反时针旋转90度

             current_page.rotateCounterClockwise(90)

      writer.addPage(current_page)

# 最后添加一个空白页并旋转90度

page = writer.addBlankPage() # type: PageObject

page.rotateClockwise(90)

# 通过Writer对象的write方法将PDF写入文件

with open('resources/XGBoost-modified.pdf', 'wb') as file:

    writer.write(file)

加密PDF文件

import PyPDF2

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')
writer = PyPDF2.PdfFileWriter()

for page_num in range(reader.numPages):
     writer.addPage(reader.getPage(page_num))

# 通过encrypt方法加密PDF文件，方法的参数就是rre

#设置的密码
writer.encrypt('foobared')

with open('resources/XGBoost-encrypted.pdf', 'wb') as file:

       writer.write(file)

批量添加水印

import PyPDF2

from PyPDF2.pdf import PageObject

reader1 = PyPDF2.PdfFileReader('resources/XGBoost.pdf') reader2 = PyPDF2.PdfFileReader('resources/watermark.pdf')
writer = PyPDF2.PdfFileWriter()

# 获取水印页
watermark_page = reader2.getPage(0)

for page_num in range(reader1.numPages):

     current_page = reader1.getPage(page_num) # type: PageObject                                           current_page.mergePage(watermark_page)

     # 将原始页和水印页进行合并
     writer.addPage(current_page) 

# 将PDF写入文件
with open('resources/XGBoost-watermarked.pdf', 'wb') as file:

       writer.write(file)

到此这篇关于Python读取PDF文件的文章就介绍到这了，更多相关Python读取PDF文件内容请搜索本站以前的文章或继续浏览下面的相关文章，希望大家以后多多支持本站！