Python使用PDFPlumber提取PDF内容的操作指南

目录

• 引言
• 一、为什么选择pdfplumber？
• 二、环境准备：1分钟安装
• 三、基础用法：从加载PDF到提取内容
• 1. 加载PDF并查看页面信息
• 2. 提取文本：保留布局与细节
• 3. 提取表格：自动识别结构（核心优势）
• 示例1：提取单个表格
• 示例2：提取页面中所有表格
• 自定义表格提取参数
• 4. 提取指定区域的内容
• 四、实战场景：解决实际问题
• 场景1：批量提取多页PDF的文本到TXT
• 场景2：提取PDF中的所有表格并合并到Excel
• 场景3：提取发票中的关键信息（如金额、日期）
• 场景4：处理扫描版PDF（需结合OCR）
• 五、避坑指南：常见问题与解决方案
• 六、总结：PDF处理，选对工具事半功倍

处理PDF文件时，你是否遇到过这些难题：想复制表格却格式错乱？提取文本时段落被拆得支离破碎？手动录入PDF数据效率低下还易出错？如果你用过PyPDF2、pdfminer等库，可能会发现它们在处理复杂布局（尤其是表格）时力不从心。

而 pdfplumber 的出现，完美解决了这些痛点。它是一个专注于PDF内容提取的Python库，以“精准还原布局”为核心优势，能轻松提取文本、表格，甚至获取文字的位置、字体等细节信息。本文将从基础用法到实战场景，全方位讲解pdfplumber的使用，帮你彻底告别PDF处理的繁琐。

在众多PDF处理库中，pdfplumber的核心竞争力在于：

• 表格提取精准：自动识别表格边框、合并单元格，提取结果保留表格结构（类似Excel），远超PyPDF2等库的“纯文本拼接”。
• 文本提取智能：按页面布局还原文本顺序，避免段落被无序拆分，还能获取文字的坐标、字体、大小等元数据。
• 操作简单直观：API设计简洁，几行代码即可完成提取，无需深入了解PDF底层格式。
• 支持细节控制：可指定提取区域（如只提取某页的某块内容）、过滤无效信息，灵活应对复杂PDF。

适合场景：数据分析师提取PDF报表、开发者批量处理合同文本、研究者抓取文献内容等。

pdfplumber是纯Python库，安装无需依赖复杂的系统工具，直接用pip即可：

pip install pdfplumber

验证安装是否成功：

import pdfplumber
print(pdfplumber.__version__)  # 输出版本号（如 0.9.0）即成功

pdfplumber的核心流程是：**加载PDF文件→获取页面→提取内容（文本/表格）**。我们从最基础的操作开始，逐步掌握核心功能。

首先需要用pdfplumber.open()加载PDF文件，然后通过pages属性获取所有页面（按页码顺序排列）。

import pdfplumber

# 加载PDF文件
with pdfplumber.open("example.pdf") as pdf:
    # 查看PDF基本信息
    print(f"总页数：{len(pdf.pages)}")  # 输出总页数
    
    # 获取第一页（索引从0开始）
    first_page = pdf.pages[0]
    
    # 查看页面属性
    print(f"页面尺寸：{first_page.width} x {first_page.height} 像素")
    print(f"页面旋转角度：{first_page.rotation}°")  # 0表示正常，90/180表示旋转
    print(f"是否包含图片：{len(first_page.images) > 0}")

说明：用with语句加载PDF可自动释放资源，避免文件占用；pages是一个列表，pdf.pages[0]表示第1页，pdf.pages[-1]表示最后一页。

pdfplumber提取文本的核心方法是extract_text()，它会按页面布局还原文本顺序，比其他库更贴近“人眼所见”。

import pdfplumber

with pdfplumber.open("example.pdf") as pdf:
    # 提取第2页文本
    page = pdf.pages[1]  # 第2页（索引1）
    text = page.extract_text()
    
    # 打印提取的文本（前500字符）
    if text:
        print("提取的文本：")
        print(text[:500] + "...")  # 只显示前500字符
    else:
        print("该页面无文本内容（可能是扫描版PDF）")

进阶：获取文本的位置与样式

如果需要更详细的信息（如文字坐标、字体、大小），可用extract_words()：

with pdfplumber.open("example.pdf") as pdf:
    page = pdf.pages[0]
    # 提取页面中所有文字的详细信息（列表 of 字典）
    words = page.extract_words()
    
    # 打印前3个文字的信息
    for word in words[:3]:
        print(f"文字：{word['text']}")
        print(f"位置：x={word['x0']:.2f}, y={word['top']:.2f}（左上角）")
        print(f"大小：宽={word['width']:.2f}, 高={word['height']:.2f}")
        print(f"字体：{word.get('fontname', '未知')}, 大小={word.get('size', '未知')}n")

用途：可用于判断标题（通常字体更大）、提取特定区域的文本（如根据坐标过滤）。

pdfplumber最强大的功能是提取表格，extract_table()和extract_tables()方法能自动识别表格边框，输出结构化的列表（每行是一个子列表），直接可用pandas转为DataFrame。

import pdfplumber
import pandas as pd

with pdfplumber.open("report.pdf") as pdf:
    page = pdf.pages[2]  # 假设第3页有一个表格
    
    # 提取表格（返回列表 of 列表）
    table = page.extract_table()
    
    if table:
        # 用pandas转为DataFrame（方便后续处理）
        df = pd.DataFrame(table[1:], columns=table[0])  # 第0行为表头
        print("提取的表格：")
        print(df.head())  # 打印前5行
        # 保存为Excel
        df.to_excel("extracted_table.xlsx", index=False)
    else:
        print("未检测到表格")

如果一页有多个表格，用extract_tables()（注意多了个s），返回表格列表：

with pdfplumber.open("multi_tables.pdf") as pdf:
    page = pdf.pages[0]
    # 提取所有表格（返回列表 of 表格）
    all_tables = page.extract_tables()
    
    print(f"页面中共检测到 {len(all_tables)} 个表格")
    
    # 遍历每个表格并保存
    for i, table in enumerate(all_tables):
        if table:
            df = pd.DataFrame(table[1:], columns=table[0])
            df.to_excel(f"table_{i+1}.xlsx", index=False)
            print(f"表格 {i+1} 已保存")

复杂表格（如无明显边框、合并单元格）可能需要调整参数，常用参数：

• table_settings={"vertical_strategy": "lines", "horizontal_strategy": "lines"}：指定表格边框识别策略（lines=按线条，text=按文本间距）。
• snakeize=True：自动将表头转为蛇形命名（如“用户ID”→“user_id”）。

示例：处理无明显边框的表格：

table = page.extract_table(
    table_settings={
        "vertical_strategy": "text",  # 按文本垂直间距识别列
        "horizontal_strategy": "text"  # 按文本水平间距识别行
    }
)

如果只需提取PDF中某块区域（如左上角的标题、右下角的签名），可通过坐标框选区域。

import pdfplumber

with pdfplumber.open("invoice.pdf") as pdf:
    page = pdf.pages[0]
    
    # 定义区域：(x0, top, x1, bottom)，即左上角x、y和右下角x、y
    # 可通过pdfplumber的可视化工具查看坐标（后文介绍）
    area = (50, 50, 400, 150)  # 示例区域（需根据实际PDF调整）
    
    # 提取指定区域的文本
    region_text = page.crop(area).extract_text()
    print("指定区域的文本：")
    print(region_text)
    
    # 提取指定区域的表格（如果有的话）
    region_table = page.crop(area).extract_table()
    if region_table:
        print("指定区域的表格：")
        for row in region_table:
            print(row)

如何获取区域坐标？

推荐用pdfplumber自带的可视化工具：运行pdfplumber-cli inspect example.pdf，在浏览器中打开链接，鼠标框选区域即可显示坐标。

掌握基础后，我们来看几个实用场景，直接复用代码即可解决工作中的PDF处理需求。

将一个多页PDF的所有文本提取到单个TXT文件，按页码分隔：

import pdfplumber

def pdf_to_txt(pdf_path, txt_path):
    """将PDF所有页面的文本提取到TXT"""
    with pdfplumber.open(pdf_path) as pdf, open(txt_path, "w", encoding="utf-8") as f:
        for i, page in enumerate(pdf.pages, start=1):
            text = page.extract_text()
            if text:
                f.write(f"=== 第 {i} 页 ===n")
                f.write(text + "nn")
        print(f"文本已提取到 {txt_path}")

# 用法：提取report.pdf的文本到report.txt
pdf_to_txt("report.pdf", "report.txt")

将PDF中所有页面的表格提取后，合并到一个Excel的不同工作表：

import pdfplumber
import pandas as pd
from openpyxl import load_workbook

def extract_all_tables_to_excel(pdf_path, excel_path):
    """提取PDF中所有表格到Excel的多个工作表"""
    with pdfplumber.open(pdf_path) as pdf:
        # 创建一个Excel写入器
        writer = pd.ExcelWriter(excel_path, engine="openpyxl")
        
        table_count = 0  # 统计总表格数
        
        for page_num, page in enumerate(pdf.pages, start=1):
            tables = page.extract_tables()
            if not tables:
                continue
            
            for i, table in enumerate(tables, start=1):
                table_count += 1
                # 转换为DataFrame
                try:
                    df = pd.DataFrame(table[1:], columns=table[0])
                except:
                    # 处理无表头的表格
                    df = pd.DataFrame(table)
                
                # 工作表名称：页面_表格序号
                sheet_name = f"页{page_num}_表{i}"
                # 写入Excel（超过31字符会被截断，需处理）
                df.to_excel(writer, sheet_name=sheet_name[:31], index=False)
                print(f"已提取：{sheet_name}")
        
        writer.close()
        print(f"所有表格（共{table_count}个）已保存到 {excel_path}")

# 用法：提取所有表格到all_tables.xlsx
extract_all_tables_to_excel("multi_page_report.pdf", "all_tables.xlsx")

针对格式固定的发票PDF，提取指定区域的关键信息（如发票号、金额、日期）：

import pdfplumber

def extract_invoice_info(pdf_path):
    """提取发票中的关键信息"""
    with pdfplumber.open(pdf_path) as pdf:
        page = pdf.pages[0]  # 发票通常只有1页
        
        # 定义各信息的区域（需根据实际发票调整坐标）
        regions = {
            "发票号": (350, 120, 500, 140),  # x0, top, x1, bottom
            "开票日期": (350, 150, 500, 170),
            "总金额": (350, 300, 500, 320)
        }
        
        info = {}
        for key, area in regions.items():
            # 裁剪区域并提取文本
            text = page.crop(area).extract_text()
            # 清洗文本（去除空格、换行）
            if text:
                info[key] = text.replace("n", "").strip()
            else:
                info[key] = "未找到"
        
        return info

# 用法：提取发票信息
invoice_info = extract_invoice_info("invoice.pdf")
print("发票信息：")
for key, value in invoice_info.items():
    print(f"{key}：{value}")

提示：不同发票的区域坐标不同，可先用pdfplumber-cli inspect工具获取准确坐标。

注意：pdfplumber只能提取**文本型PDF**（由文字组成），无法直接处理**扫描版PDF**（本质是图片）。此时需先用OCR工具（如pytesseract）将图片转为文本，再用pdfplumber处理。

示例：结合OCR提取扫描版PDF的文本：

import pdfplumber
import pytesseract
from PIL import Image

def ocr_scanned_pdf(pdf_path, txt_path):
    """提取扫描版PDF的文本（需安装Tesseract OCR）"""
    with pdfplumber.open(pdf_path) as pdf, open(txt_path, "w", encoding="utf-8") as f:
        for i, page in enumerate(pdf.pages, start=1):
            # 将PDF页面转为图片
            img = page.to_image().original  # 获取PIL Image对象
            # 用OCR识别图片中的文本
            text = pytesseract.image_to_string(img, lang="chi_sim")  # 中文识别
            # 写入TXT
            f.write(f"=== 第 {i} 页 ===n")
            f.write(text + "nn")
        print(f"扫描版PDF文本已提取到 {txt_path}")

# 用法（需先安装Tesseract并配置环境变量）：
# ocr_scanned_pdf("scanned_invoice.pdf", "scanned_text.txt")

前置条件：需安装Tesseract OCR引擎和pytesseract库，具体步骤参考Tesseract官网。

提取的文本乱码或缺失

1. 原因：PDF字体编码特殊，或文本被图片覆盖。
2. 解决：尝试用page.extract_text(x_tolerance=1, y_tolerance=1)调整 tolerance 参数；若仍乱码，可能是扫描版PDF，需结合OCR。

表格提取错乱（行列不对齐）

1. 原因：表格无明显边框，或存在合并单元格。
2. 解决：调整table_settings参数，如{"vertical_strategy": "text", "horizontal_strategy": "text"}；或手动指定表格区域（crop后再提取）。

大文件处理缓慢或内存溢出

1. 原因：一次性加载整个PDF占用内存大。
2. 解决：分页处理，提取一页释放一页资源：

with pdfplumber.open("large.pdf") as pdf:
    for page in pdf.pages:
        # 处理当前页...
        text = page.extract_text()
        # 处理完后无需保留page对象

无法提取加密PDF

1. 原因：PDF被加密（需密码才能打开）。
2. 解决：先解密PDF（可用qpdf工具），再用pdfplumber处理：qpdf --decrypt input.pdf output.pdf。

pdfplumber凭借精准的文本和表格提取能力，成为Python处理PDF的首选库之一。它的核心优势在于：

• 对表格的提取能力远超同类库，几乎能还原Excel般的结构；
• 提供丰富的细节控制（区域提取、样式获取），灵活应对复杂场景；
• 代码简洁易上手，无需深入了解PDF底层原理。

如果你需要处理文本型PDF（尤其是包含表格的报表、发票、合同），pdfplumber能帮你节省大量手动录入时间。对于扫描版PDF，可结合OCR工具形成完整解决方案。

以上就是Python使用PDFPlumber提取PDF内容的操作指南的详细内容，更多关于Python PDFPlumber提取PDF的资料请关注风君子博客其它相关文章！

您可能感兴趣的文章:

• 深入探索Python如何利用pdfplumber从PDF中提取信息到实际项目应用
• python利用pdfplumber进行pdf文档解析提取
• 详解Python如何利用pdfplumber提取PDF中的表格
• Python利用pdfplumber提取PDF文档中的表格数据并导出
• Python利用pdfplumber库提取pdf中表格数据