Python PDF解析利器：pdfplumber全面指南 | AI应用开发

Python PDF解析利器：pdfplumber全面指南

1. 简介与安装

1.1 pdfplumber概述

pdfplumber是一个Python库，专门用于从PDF文件中提取文本、表格和其他信息。相比其他PDF处理库，pdfplumber提供了更直观的API和更精确的文本定位能力。

主要特点：

• 精确提取文本(包括位置、字体等信息)
• 高效提取表格数据
• 支持页面级和文档级的操作
• 可视化调试功能

1.2 安装方法

登录后复制

pipinstall pdfplumber

• 1.

1.3 基础使用示例

登录后复制

import pdfplumber

with pdfplumber.open("example.pdf") as pdf:
    first_page = pdf.pages[0]
    print(first_page.extract_text())

• 1.
• 2.
• 3.
• 4.
• 5.

代码解释：

• pdfplumber.open()打开PDF文件
• pdf.pages获取所有页面的列表
• extract_text()提取页面文本内容

2. 文本提取功能

2.1 基本文本提取

登录后复制

with pdfplumber.open("report.pdf") as pdf:
    for page in pdf.pages:
        print(page.extract_text())

• 1.
• 2.
• 3.

应用场景：合同文本分析、报告内容提取等

2.2 带格式的文本提取

登录后复制

with pdfplumber.open("formatted.pdf") as pdf:
    page = pdf.pages[0]
    words = page.extract_words()
    for word in words:
        print(f"文本: {
          
          word['text']}, 位置: {
          
          word['x0'], word['top']}, 字体: {
          
          word['fontname']}")

• 1.
• 2.
• 3.
• 4.
• 5.

输出示例：

登录后复制

文本: 标题, 位置: (72.0, 84.0), 字体: Helvetica-Bold
文本: 内容, 位置: (72.0, 96.0), 字体: Helvetica

• 1.
• 2.

2.3 按区域提取文本

登录后复制

with pdfplumber.open("document.pdf") as pdf:
    page = pdf.pages[0]
    # 定义区域(x0, top, x1, bottom)
    area = (50, 100, 400, 300)  
    cropped = page.crop(area)
    print(cropped.extract_text())

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.

应用场景：提取发票中的特定信息、扫描件中的关键数据等

3. 表格提取功能

3.1 简单表格提取

登录后复制

with pdfplumber.open("data.pdf") as pdf:
    page = pdf.pages[0]
    table = page.extract_table()
    for row in table:
        print(row)

• 1.
• 2.
• 3.
• 4.
• 5.

输出示例：

登录后复制

['姓名', '年龄', '职业']
['张三', '28', '工程师']
['李四', '32', '设计师']

• 1.
• 2.
• 3.

3.2 复杂表格处理

登录后复制