最近有个需求，需要读取PDF文件中的二维码图片及部分文本，首先想到的是使用Python。

Life is short, I use Python.

经过一番搜索，找到以下库：

  • pdfminer 主要用于解析PDF文件中的文本内容，目前已经不再维护
  • pdfminer.six 基于pdfminer，通过PDF的源文件中解析文本内容，也可以获取文本字体和字体颜色
  • PyPDF2 对PDF页进行分割、合并、剪切、变更等操作
  • tabula-py 基于tabula-java开发的壳，用于读取pdf中的表格数据并可将其转换为CSV等文件
  • pdfplumber 按页获取文本，并且提供提取表格文本方法和可视化调试

库很多，各有各的特长，也各有各的坑！

pdfminer

特性

  • 支持Python 3.6及以上版本
  • 支持PDF-1.7
  • 获取文本位置及其它信息（如字体等）
  • 转换PDF为其它格式（HTML/XML）
  • 提取提纲、标签数据
  • 支持基本加密方式（RC4 and AES）
  • 支持多种字体类型（Type1, TrueType, Type3, and CID）

安装

1

pip install pdfminer

用法

pdf2txt.py

该命令用于提取所有文本，以及文本位置、字体名称、大小、字体方向（横、竖）

1

pdf2txt.py samples/simple.pdf

dumppdf.py

该命令用于调试pdf，以XML格式打印所有内容

1

dumppdf.py samples/simple.pdf

pdfminer.six

特性

  • pdfminer的所有特性
  • 支持解析图片（JPG, JBIG2 and Bitmaps）
  • 支持解析表格

安装

1

pip install pdfminer.six

用法

1

pdf2txt.py samples/simple.pdf

PyPDF2

安装

1

pip install PyPDF2

用法

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import PyPDF2

pdfFileObj = open('/path/example.pdf', 'rb')

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# 获取PDF总页数
print(pdfReader.numPages)
# 第一页
pageObj = pdfReader.getPage(0)

print(pageObj.extractText())

tabula-py

安装

1

pip install tabula-py

用法

1
2
3
4
5

import tabula
# read_pdf 将pdf表格数据存储为Pandas的Dataframe数据类型
df = tabula.read_pdf("/path/table.pdf")
# 打印表格前5行
df.head()

如果pdf文件有多个表格

1

df = tabula.read_pdf(“offense.pdf”, multiple_tables=True)

以JSON格式输出

1

tabula.read_pdf("/path/table.pdf", output_format="json")

pdfplumber