mylogo

退役程序员的茶室 RetiredCoder.cn

← 返回上一页

如何用Python提取PDF文件中的文本

2025-07-02 12:23:40

已浏览 1 次

在日常工作和学习中，我们会接触到各种PDF文档，有时需要从它们之中提取纯文本内容进行分析、存档或二次利用，如果只用手动的复制粘贴无疑效率低下且易出错。在Python中使用pdfplumber库可以轻松实现从PDF中提取文本、图片以及表格。

本文将介绍如何用pdfplumber快速将PDF文档转化为可编辑的纯文本文件（对应的视频课程已先在微信视频号「退役程序员」中发布），在以后的文章中会陆续介绍如何提取PDF中的图片和表格，欢迎大家继续关注。

所需要的库pdfplumber

有很多的库都可以用于处理PDF文档，例如PyMuPDF、PyPDF2、pdfplumber、pikepdf等等，它们各自有着特定的优势和用途，为了实现对文本、图片和表格的简单提取功能，这里我选用的是pdfplumber，大家可以访问下面链接来对这个库有个大致了解：

https://pypi.org/project/pdfplumber/

在开始写代码前，我们需要用以下命令对这个库进行安装：

pip install pdfplumber

完整代码

# pdfconverter.py
import pdfplumber
import sys

def extract_text(file_path):
    """
    Extracts text from a PDF file and saves it as a TXT file.
    
    Args:
        file_path (str): Path to the PDF file.
    
    Returns:
        None
    """
    output_file = file_path.split('.')[0] + '.txt'
    try:
        with pdfplumber.open(file_path) as pdf:
            txt = ''
            for page in pdf.pages:
                txt += page.extract_text()
            with open(output_file, 'w', encoding='utf-8') as f:
                f.write(txt)
    except FileNotFoundError:
        print(f"Error: The file '{file_path}' does not exist.")
    except Exception as e:
        print(f"Error: An error occurred while processing the file: {e}")

if __name__ == "__main__":
    if len(sys.argv) != 2:
        print("Usage: python pdfconverter.py <pdf_file>")
    else:
        file_path = sys.argv[1]
        extract_text(file_path)

代码解析

导入必要的库

代码的开头部分引入了执行任务所需的外部功能：

import pdfplumber: 这一行导入了pdfplumber库。pdfplumber 是我们脚本的核心，负责处理PDF的打开和内容解析。

import sys: 这一行导入了sys模块。sys模块提供了与Python解释器及其环境交互的功能。在这个脚本中，我们主要使用它来访问命令行参数，这意味着我们可以告诉脚本要处理哪个PDF文件。

定义函数extract_text

在视频课程《利用AI优化提取PDF文本代码》中，为了让代码可以重复利用，我利用AI将代码的核心功能封装在一个名为 extract_text 的函数中。

def extract_text(file_path): 这一行定义了一个名为 extract_text的函数，它接受一个参数file_path。file_path会是我们想要处理的PDF文件的路径（例如，"document.pdf"）。

output_file = file_path.split('.')[0] + '.txt': 这一行代码根据输入的PDF文件路径生成输出文本文件的名称。 - file_path.split('.'): 这会将文件路径字符串按照.分割成一个列表。例如，如果file_path是"myfile.pdf"，那么 split('.')会得到['myfile', 'pdf']。 - [0]: 接着，我们取这个列表的第一个元素，即文件名部分，不包含扩展名（在我们的例子中是"myfile"）。 - + '.txt': 最后，我们在这个文件名后面加上.txt，形成完整的输出文件名，例如"myfile.txt"。

try:这是一个异常处理的开始。try块中的代码是可能出错的部分。如果try块中的代码发生错误，程序不会立即崩溃，而是会跳转到except块来处理错误。

with pdfplumber.open(file_path) as pdf: 这一行是打开PDF文件的关键。 - pdfplumber.open(file_path): 使用pdfplumber库打开指定的PDF文件。 - with ... as ...: 这是一个Python的上下文管理器。它的好处是，无论代码执行是否成功，它都会确保PDF文件在处理完毕后被正确关闭，从而避免资源泄漏。 - as pdf: 将打开的PDF文件对象赋值给变量 pdf。

txt = '': 初始化一个空字符串变量 txt。这个变量将用于累积从PDF中提取的所有文本。

for page in pdf.pages:: 这是一个循环。pdf.pages会返回PDF文件中的所有页面对象。这个循环会遍历PDF中的每一个页面。

txt += page.extract_text(): 在循环的每一次迭代中，这一行代码从当前页面中提取文本。 - page.extract_text(): 调用当前页面对象的 extract_text()方法，它会返回该页面上的所有文本。 - txt += ...: 将提取到的文本追加到txt变量的末尾。

with open(output_file, 'w', encoding='utf-8') as f:: 当所有页面文本都提取完毕后，这一行打开一个新的文件来写入这些文本。 - open(output_file, 'w', encoding='utf-8'): 打开 output_file 指定的文件。其中'w'表示以写入模式打开文件。如果文件不存在，它会被创建；如果文件已存在，其内容会被清空。encoding='utf-8'指定了文本的编码格式为UTF-8，这对于处理包含各种语言（包括中文）的文本非常重要，可以避免乱码问题。 - as f: 将打开的文件对象赋值给变量f。

f.write(txt): 这一行将累积在txt变量中的所有文本写入到刚刚打开的输出文件中。

except FileNotFoundError:: 如果在try块中尝试打开的文件不存在，Python会抛出FileNotFoundError异常。这个except块会捕获这种特定的错误。

print(f"Error: The file '{file_path}' does not exist."): 如果捕获到 FileNotFoundError，这行代码会打印出错误消息。

except Exception as e:: 这是一个更通用的异常捕获。如果try块中发生了任何其他类型的错误（不是FileNotFoundError），都会被这个except块捕获。 - as e: 将捕获到的异常对象赋值给变量e。

print(f"Error: An error occurred while processing the file: {e}"): 打印一个通用的错误消息，并显示具体的错误信息e。

主程序入口

这一部分代码用于决定在命令行中直接运行这个Python文件时要做什么。

if __name__ == "__main__":确保只有当脚本作为主程序直接运行时，if 语句块中的代码才会执行，而不是当它被其他代码作为模块导入时。

if len(sys.argv) != 2:: 这一行检查用户在命令行中提供了多少个参数。 - sys.argv: 这是一个列表，包含所有命令行参数。sys.argv[0]总是脚本本身的名称（例如 pdfconverter.py），sys.argv[1]是第一个实际参数，以此类推。 - len(sys.argv): 获取参数的数量。如果用户只输入了 python pdfconverter.py 而没有指定PDF文件，那么 len(sys.argv)将是1。如果用户提供了PDF文件，例如 python pdfconverter.py my_document.pdf，那么 len(sys.argv)将是2。 - != 2: 检查参数数量是否不等于2。这意味着脚本期望除了它自己的名字之外，只接收一个参数（即PDF文件路径）。

print("Usage: python pdfconverter.py <pdf_file>"): 如果参数数量不正确，这行代码会打印一个使用说明，告诉用户如何正确运行脚本。

else:: 如果参数数量是正确的（即等于2），则执行else块中的代码。

file_path = sys.argv[1]: 这一行将用户在命令行中提供的第一个参数（也就是PDF文件的路径）赋值给file_path变量。

extract_text(file_path): 最后，调用我们之前定义的 extract_text 函数，并将获取到的file_path传递给它，开始PDF文本的提取过程。

分类

标签