Python主流处理PDF的库总结对比（包含详细示例）

库名	主要用途	主要功能	安装命令
PyPDF2	操作和合并PDF	拆分、合并、旋转、裁剪PDF页面，提取文本和元数据	pip install PyPDF2
pdfminer.six	提取PDF文本	高精度提取文本、图像和表格，支持复杂布局和字体	pip install pdfminer.six
ReportLab	生成PDF文件	创建包含文本、图像、图形和表格的复杂PDF文档	pip install reportlab
PyMuPDF	读取和操作PDF	提取文本和图像，处理页面、注释和书签，渲染PDF页面	pip install PyMuPDF
pdfplumber	提取表格和文本	高精度提取和分析PDF中的表格和文本	pip install pdfplumber
Camelot	提取PDF表格	高精度表格检测和提取，导出为CSV、Excel、JSON等格式	pip install camelot-py[cv]
tabula-py	提取PDF表格	基于Java库tabula，提取表格为DataFrame或CSV	pip install tabula-py
Slate	提取PDF文本	基于pdfminer的简单文本提取工具	pip install slate
pdfquery	高级文本提取	结合PDFMiner和lxml，支持复杂查询和文本提取	pip install pdfquery
PDFKit	HTML转PDF	将HTML文档转换为PDF，基于wkhtmltopdf工具	pip install pdfkit
pdf2image	PDF转图像	使用poppler将PDF页面转换为PIL图像对象	pip install pdf2image

---

详细示例

1. PyPDF2

用途: 操作和合并PDF

import PyPDF2

# 读取PDF文件
with open('sample.pdf', 'rb') as file:
    reader = PyPDF2.PdfFileReader(file)
    # 提取第一页文本
    page = reader.getPage(0)
    print(page.extract_text())

# 合并PDF文件
merger = PyPDF2.PdfFileMerger()
merger.append('sample1.pdf')
merger.append('sample2.pdf')
merger.write('merged.pdf')

2. pdfminer.six

用途: 提取PDF文本

from pdfminer.high_level import extract_text

# 提取文本
text = extract_text('sample.pdf')
print(text)

3. ReportLab

用途: 生成PDF文件

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

# 创建PDF
c = canvas.Canvas('generated.pdf', pagesize=letter)
c.drawString(100, 750, 'Hello, World!')
c.save()

4. PyMuPDF (fitz)

用途: 读取和操作PDF

import fitz

# 读取PDF文件
document = fitz.open('sample.pdf')
page = document.load_page(0)
text = page.get_text()
print(text)

# 提取图像
for img in document.get_page_images(0):
    xref = img[0]
    pix = fitz.Pixmap(document, xref)
    if pix.n < 5:  # this is GRAY or RGB
        pix.save(f'image_{xref}.png')
    else:  # CMYK: convert to RGB first
        pix1 = fitz.Pixmap(fitz.csRGB, pix)
        pix1.save(f'image_{xref}.png')
        pix1 = None
    pix = None

5. pdfplumber

用途: 提取表格和文本

import pdfplumber

# 读取PDF文件
with pdfplumber.open('sample.pdf') as pdf:
    page = pdf.pages[0]
    text = page.extract_text()
    print(text)

    # 提取表格
    tables = page.extract_tables()
    for table in tables:
        for row in table:
            print(row)

6. Camelot

用途: 提取PDF表格

import camelot

# 提取表格
tables = camelot.read_pdf('sample.pdf', pages='1')
tables[0].to_csv('table.csv')

7. tabula-py

用途: 提取PDF表格

import tabula

# 提取表格
df = tabula.read_pdf('sample.pdf', pages='1')
df.to_csv('table.csv', index=False)

# 批量提取表格
tabula.convert_into('sample.pdf', 'tables.csv', output_format='csv', pages='all')

8. Slate

用途: 提取PDF文本

import slate

# 读取PDF文件
with open('sample.pdf', 'rb') as file:
    doc = slate.PDF(file)
    for page in doc:
        print(page)

9. pdfquery

用途: 高级文本提取

import pdfquery

# 读取PDF文件
pdf = pdfquery.PDFQuery('sample.pdf')
pdf.load(0)
text = pdf.pq('LTTextLineHorizontal:contains("text_to_find")').text()
print(text)

10. PDFKit

用途: HTML转PDF

import pdfkit

# HTML转PDF
pdfkit.from_url('http://example.com', 'out.pdf')
pdfkit.from_file('test.html', 'out.pdf')
pdfkit.from_string('Hello, World!', 'out.pdf')

11. pdf2image

用途: PDF转图像

from pdf2image import convert_from_path

# PDF转图像
images = convert_from_path('sample.pdf')
for i, image in enumerate(images):
    image.save(f'page_{i+1}.png', 'PNG')