PDF文件的读取 - pdfplumber和fitz(PyMuPDF)

1. 通过文件路径读取

本文是截止2020年最新的pdf文本流和字节流的读取方式（pdfplumber和fitz读取pdf）

pdfplumber：

• pdf = pdfplumber.open(path)

fitz:

• pdf = fitz.open(path)
• pdf = fitz.Document(path)

2.读取二进制的pdf文件

2.1 先拿到pdf的bytes类型数据:

# 方式1：通过打开文件的方式获取
with open(path, 'rb') as f:
	pdf_bytes = f.read()  # 此时pdf_bytes是pdf格式的bytes数据

# 方式2：通过拿取post请求获取的bytes数据
# 以flask为例
from flask import request

files = request.files.get('files')  # request获取表单文件，.get('files')是从字典中拿取key为'files'的文件
pdf_bytes = files.read()  # flask的read()方法把它读取为bytes数据

2.2 读取pdf的bytes数据

pdfplumber:

import io
import pdfplumber

f = io.BytesIO(pdf_bytes)
pdf = pdfplumber.load(f)  # .load(f)方法可以读取BytesIO二进制流的数据

fitz

import fitz

with fitz.Document(stream=pdf_bytes, filetype='pdf') as pdf:
	print('我们拿取到了pdf对象, 可以用于后面的信息处理')
	pass

# 也可以写成
pdf = fitz.Document(stream=pdf_bytes, filetype='pdf')
print('我们拿取到了pdf对象, 可以用于后面的信息处理')
pdf.close()