讲师中心 微信公众号

工具推荐

视频效率加速
updream

一键生成高质量推广成片

SoundView
SoundView

字幕擦除翻译、配音口型同步

AniShort
AniShort

AI短剧协同制作平台

剧云
剧云

中文短剧剧本制作平台

怎样在Python中快速提取PDF文件中的文本内容

浅静酱_1626

浅静酱_1626

发布时间:2026-11-20 10:09:13

|

660人浏览过

|

来源于php中文网

原创

PyPDF2仅能提取含文本层的PDF,对扫描件或OCR未嵌入文本的PDF返回空或乱码;推荐PyMuPDF处理中文及加密PDF,扫描件须用pdf2image+pytesseract OCR。

怎样在python中快速提取pdf文件中的文本内容

用 PyPDF2 读取 PDF 文本,但别指望它总能成功

很多 PDF 是扫描件或含复杂排版,PyPDF2 只能提取「可选中文本」——也就是 PDF 文件里实际存了文字对象的那些页面。如果 PDF 是图片转的(哪怕 OCR 过但没嵌入文本层),PyPDF2 会返回空字符串或乱码。

实操建议:

立即学习“Python免费学习笔记(深入)”;

在清理重构之前使用 Vulture 查找未使用的 Python 代码
在清理重构之前使用 Vulture 查找未使用的 Python 代码

在重构之前对Python代码库运行死代码检测,以便智能体能够标记未使用的函数、类、导入和变量,而不是盲目删除。

下载
  • 先用 pdf_reader = PyPDF2.PdfReader("file.pdf") 打开,再对每页调用 page.extract_text()(注意:旧版叫 extractText(),已弃用)
  • 检查返回值是否为空或长度极短,如果是,说明该页大概率没文本层
  • PyPDF2 不处理加密 PDF;若报错 PyPDF2.errors.FileNotDecryptedError,需先用密码解密:pdf_reader.decrypt("password")
  • 中文支持弱,遇到方块或问号,大概率是字体映射缺失,不是编码问题——它压根没把 CID 字符正确转成 Unicode

扫描 PDF 必须走 OCR,pdf2image + pytesseract 是最稳组合

把 PDF 拆成图像,再逐图识别,虽然慢,但对扫描件、发票、合同这类文件是唯一靠谱路径。

实操建议:

立即学习“Python免费学习笔记(深入)”;

  • 用 pdf2image.convert_from_path("file.pdf", dpi=200) 转图像,dpi 别低于 150,否则 pytesseract 识别率断崖下跌
  • 传给 pytesseract.image_to_string(img, lang="chi_sim+eng"),中英文混排必须显式指定 lang,只写 chi_sim 会漏英文数字
  • 图像预处理很关键:二值化(cv2.threshold)、去噪(cv2.fastNlMeansDenoising)能显著提升准确率,尤其对模糊/阴影文档
  • 避免直接对整页大图识别——先用 cv2 或 fitz(PyMuPDF)切出文字区域,再送进 OCR,速度和精度都更好

PyMuPDF(fitz)比 PyPDF2 更适合中文 PDF 提取

PyMuPDF 内置文本分析引擎,能更好处理中文编码、内嵌字体、多栏布局,且支持从加密 PDF 中提取文本(无需提前解密)。

实操建议:

立即学习“Python免费学习笔记(深入)”;

  • 打开文档:doc = fitz.open("file.pdf"),遍历页面用 page.get_text("text")(纯文本)或 page.get_text("dict")(带位置/字体信息的结构化输出)
  • 对含中文的 PDF,优先用 "text" 模式;"blocks" 模式可获取段落级内容,适合跳过页眉页脚
  • 若遇到乱码,尝试加参数:page.get_text("text", encoding="utf-8"),但多数时候是 PDF 自身字体未嵌入,换工具也无解
  • 性能比 PyPDF2 高不少,100 页 PDF 提取文本通常在 1–3 秒内完成

别跳过验证步骤:提取后必须检查文本完整性

无论用哪种方法,PDF 文本提取都不是“一跑就准”的操作。表格、脚注、小字号批注、旋转文字极易丢失,而你可能根本没意识到。

实操建议:

立即学习“Python免费学习笔记(深入)”;

  • 对比原文档:用 fitz 渲染一页为 PNG,再把提取的文本用 textwrap.fill() 格式化后叠加显示,肉眼扫一遍关键段落
  • 统计字符数变化:原始 PDF 页面文本长度 vs 提取结果长度,下降超 30% 就要警惕(可能是公式、表格被整块跳过)
  • 对关键字段(如发票号、金额、日期),写正则校验是否存在于提取结果中,而不是依赖全文匹配
  • 批量处理时,把失败页的页码、错误类型(空文本 / OCR 置信度低 / 加密拒绝)记进日志,别让异常静默吞掉数据
提取 PDF 文本真正的难点从来不在“怎么调库”,而在于你得一眼看出哪页是真·文本、哪页是假·文本,以及接受某些内容就是没法全自动还原——尤其是手写批注、盖章压字、跨页表格这些场景。

热门AI工具

更多
花生AI
花生AI Hot

一款AI视频创作工具,主要用于B站推出的AI视频创作工具,适合需要提升相关任务效率的用户。

超级麦吉

一款通过数字员工协作完成调研、数据分析与文档制作的AI办公平台。

Laper
Laper Hot

Laper是专为编剧、导演和制片人推出的 AI 原生剧本创作工具。

讯飞智文

一款面向学习和办公场景的AI文档创作工具,可辅助生成PPT与Word文档,提高资料整理和内容制作效率。

讯飞智作

讯飞智作是一款AI视频创作工具,AI文本配音工具,数字人课程、营销视频制作。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

VibeKnow
VibeKnow Hot

一款AI视频创作工具,主要用于全球首个AI知识视频创作平台,文档、文章、网页,一键生成视频,适合需要提升相关任务效率的用户。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1971

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5604

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1909

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

34277

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4007

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4007

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1303

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

GoFrame框架Web开发与路由中间件
GoFrame框架Web开发与路由中间件

本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。

20

2026.11.17

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn