pdfplumber 是一个 Python 库，专门用于从 PDF 文件中提取文本和表格数据。相比其他 PDF 处理库，它提供了更精确的页面元素定位和更灵活的提取选项。

主要特点 #

1. 精确的文本提取：保留原始布局和位置信息
2. 表格提取功能：能识别复杂表格结构
3. 可视化调试：可以绘制提取的文本和表格边界
4. 页面分析：获取字符、线、矩形等底层PDF元素

基本用法 #

安装 #

pip install pdfplumber

打开PDF文件 #

import pdfplumber

with pdfplumber.open("example.pdf") as pdf:
    # 处理PDF内容
    pass

提取文本 #

# 提取单页文本
with pdfplumber.open("example.pdf") as pdf:
    first_page = pdf.pages[0]
    text = first_page.extract_text()
    print(text)

# 提取所有页文本
with pdfplumber.open("example.pdf") as pdf:
    all_text = ""
    for page in pdf.pages:
        all_text += page.extract_text()
    print(all_text)

提取表格 #

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

    # 表格以二维列表形式返回
    for row in table:
        print(row)

高级功能 #

表格提取设置 #

table_settings = {
    "vertical_strategy": "text",  # 或"lines", "explicit"
    "horizontal_strategy": "text",
    "intersection_y_tolerance": 10,
}

with pdfplumber.open("example.pdf") as pdf:
    page = pdf.pages[0]
    table = page.extract_table(table_settings)

可视化调试 #

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

    # 绘制文本边界
    im = page.to_image()
    im.debug_tablefinder().show()

    # 绘制线条
    im.reset().draw_lines(page.lines).show()

获取字符级信息 #

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

    for char in page.chars:
        print(f"字符: {char['text']}, 位置: ({char['x0']}, {char['top']})")

与其他库的比较 #

特性	pdfplumber	PyPDF2	pdfminer.six	camelot
文本提取	✓	✓	✓	✓
表格提取	✓	✗	✗	✓
保留布局	✓	✗	✓	✓
可视化调试	✓	✗	✗	✓
性能	中等	快	慢	慢

实际应用示例 #

提取发票数据 #

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

    # 查找"总计"后的金额
    words = first_page.extract_words()
    for i, word in enumerate(words):
        if word["text"] == "总计":
            total = words[i+1]["text"]
            print(f"发票总计金额: {total}")
            break

批量处理多个PDF #

import os
import pandas as pd

results = []

for filename in os.listdir("pdfs"):
    if filename.endswith(".pdf"):
        with pdfplumber.open(f"pdfs/{filename}") as pdf:
            first_page = pdf.pages[0]
            text = first_page.extract_text()
            results.append({"filename": filename, "content": text})

df = pd.DataFrame(results)
df.to_csv("pdf_contents.csv", index=False)

性能优化技巧 #

1. 限制处理页数：只处理需要的页面
2. 使用缓存：对重复处理的PDF缓存结果
3. 并行处理：对多个PDF使用多进程
4. 调整提取策略：根据PDF特点选择合适的表格提取策略

常见问题解决 #

1. 表格提取不准确：

   • 尝试不同的提取策略
   • 调整容差参数
   • 先用可视化调试查看识别情况

2. 文本顺序错乱：

   • 使用extract_text(x_tolerance=3, y_tolerance=3)调整容差
   • 按字符位置手动排序

3. 内存不足：

   • 逐页处理而不是加载整个PDF
   • 使用pdfplumber.open(..., laparams={"line_overlap": 0.7})减少分析强度

pdfplumber 是处理PDF文本和表格数据的强大工具，特别适合需要精确提取结构化数据的场景。