python下提取PDF库总结

汇总如下

• camelot: 提取PDF中表格信息
• PyMuPDF: 读取PDF，使用时import fitz
  • 官方文档：pymupdf
  • 注意开源协议是AGPL 3.0
  • 不能提取每一行坐标信息，只能提取block信息，参见docs
• pdfplumber: 提取PDF中信息，提供函数接口较少，且不是太准
• pdfminer: 提取PDF工具，截止到2022年，已不再维护，不建议使用
• pdfminer.six: 提取PDF内信息，基于pdfminer而来。

PyMuPDF使用小技巧

• 读取PDF的几种方式，通过查阅官方文档，并没有显示找到fitz.open的函数说明，不过从pypi包的源码中倒是看到一二：
• 源码解析：

  # lib/python3.7/site-packages/fitz/fitz.py#L3887
  class Document(object):
      thisown = property(lambda x: x.this.own(), lambda x, v: x.this.own(v), doc="The membership flag")
      __repr__ = _swig_repr
      __swig_destroy__ = _fitz.delete_Document
  
      def __init__(self, filename=None, stream=None, filetype=None, rect=None, width=0, height=0, fontsize=11):
  
          """Creates a document. Use 'open' as a synonym.
  
          Notes:
              Basic usages:
              open() - new PDF document
              open(filename) - string, pathlib.Path, or file object.
              open(filename, fileype=type) - overwrite filename extension.
              open(type, buffer) - type: extension, buffer: bytes object.
              open(stream=buffer, filetype=type) - keyword version of previous.
              Parameters rect, width, height, fontsize: layout reflowable
                   document on open (e.g. EPUB). Ignored if n/a.
          """
  

• 使用示例：（仅列了两种，剩余的可参考上述函数注释部分中的说明）

  import fitz
  
  pdf_path = '1.pdf'
  
  # 方式一：
  with fitz.open(pdf_path) as doc:
      text = doc[0].get_text()
  
  # 方式二：
  with open(pdf_path, 'rb') as pdf:
      data = pdf.read()
  
  with fitz.open(stream=data) as doc:
      text = doc[0].get_text()