通过Python将PDF转为文本，快速提取PDF中的文字

news2024/10/6 22:18:59

快速高效地从PDF文档中提取信息对于专业人士来说非常重要。处理大量PDF文件时，将PDF转换为可编辑的文本格式可以节省时间和精力。而强大的Python语言正是在这些方面发挥其作用。利用Python中丰富的API，我们可以轻松在Python程序中将PDF转换为文本（txt文件），实现PDF文字的轻松提取。

本文将展示如何使用Python进行PDF到文本的转换，发挥Python在PDF文件处理中的作用。本文包括以下主题：

文章目录

- 使用Python转换PDF为文本的步骤
- Python将PDF转换为文本但不保留布局
- Python将PDF转换为文本并保留布局
- Python将指定的PDF页面区域转换为文本
- - 总结

本文所使用的转换方法需要用到Spire.Doc for Python，可从官网下载或通过PyPI安装：pip install Spire.Doc

使用Python转换PDF为文本的步骤

在我们开始使用Python将PDF转换为文本之前，让我们先了解一下转换可以为我们提供的主要优势：

可编辑：将PDF转换为文本使文档操作者能够更轻松地编辑文档，文本文件可以在大多数设备上打开和编辑。
可访问性：与PDF相比，文本文件通常更易于访问。无论是电脑还是移动设备，都可以轻松地查看文本文件。
与其他应用程序的集成及数据共享：文本文件可以无缝地集成到各种应用程序和工作流程中，实现数据在程序之间的共享。

使用Python将PDF文档转换为文本文件的步骤：

导入模块。
创建PdfDocument类的对象，并使用 LoadFromFile() 方法加载PDF文件。
创建PdfTextExtractOptions类的对象，并设置文本提取选项，包括提取所有文本、显示隐藏文本、仅提取指定区域的文本以及简单提取。
使用 PdfDocument.Pages.get_Item() 方法获取文档中的页面，并基于每个页面创建 PdfTextExtractor 对象，使用 Extract() 方法提取页面上的文本，并指定选项。
将提取的文本保存为文本文件，并关闭 PdfDocument 对象。

Python将PDF转换为文本但不保留布局

当使用简单提取方法从PDF中提取文本时，程序将不保留空白区域，并跟踪每个字符串的当前Y位置，如果Y位置发生变化，就在输出结果中插入换行符。

from spire.pdf import PdfDocument
from spire.pdf import PdfTextExtractOptions
from spire.pdf import PdfTextExtractor

# 创建PdfDocument类的对象并加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("示例.pdf")

# 创建一个字符串对象来存储文本
extracted_text = ""

# 创建PdfExtractor对象
extract_options = PdfTextExtractOptions()
# 设置使用简单提取方法
extract_options.IsSimpleExtraction = True

# 循环遍历文档中的页面
for i in range(pdf.Pages.Count):
    # 获取页面
    page = pdf.Pages.get_Item(i)
    # 创建PdfTextExtractor对象，并将页面作为参数传递
    text_extractor = PdfTextExtractor(page)
    # 从页面中提取文本
    text = text_extractor.ExtractText(extract_options)
    # 将提取的文本添加到字符串对象中
    extracted_text += text

# 将提取的文本写入文本文件
with open("output/PDF转文本.txt", "w") as file:
    file.write(extracted_text)
pdf.Close()

原文档
PDF转文本

输出的文本文件*
PDF转TXT

Python将PDF转换为文本并保留布局

当使用默认提取方法从PDF中提取文本时，程序将逐行提取文本，包括空白。

from spire.pdf import PdfDocument
from spire.pdf import PdfTextExtractOptions
from spire.pdf import PdfTextExtractor

# 创建PdfDocument类的对象并加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("示例.pdf")

# 创建一个字符串对象来存储文本
extracted_text = ""

# 创建PdfExtractor对象
extract_options = PdfTextExtractOptions()

# 循环遍历文档中的页面
for i in range(pdf.Pages.Count):
    # 获取页面
    page = pdf.Pages.get_Item(i)
    # 创建PdfTextExtractor对象，并将页面作为参数传递
    text_extractor = PdfTextExtractor(page)
    # 从页面中提取文本
    text = text_extractor.ExtractText(extract_options)
    # 将提取的文本添加到字符串对象中
    extracted_text += text

# 将提取的文本写入文本文件
with open("output/提取的文本（保留排版）.txt", "w") as file:
    file.write(extracted_text)
pdf.Close()

输出的文本文件
PDF转文本保留布局

Python将指定的PDF页面区域转换为文本

from spire.pdf import PdfDocument
from spire.pdf import PdfTextExtractOptions
from spire.pdf import PdfTextExtractor
from spire.pdf import RectangleF

# 创建PdfDocument类的对象并加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("示例.pdf")

# 创建PdfExtractor对象
extract_options = PdfTextExtractOptions()

# 设置提取特定页面区域
extract_options.ExtractArea = RectangleF(50.0, 220.0, 700.0, 230.0)

# 获取页面
page = pdf.Pages.get_Item(0)

# 创建PdfTextExtractor对象，并将页面作为参数传递
text_extractor = PdfTextExtractor(page)

# 从页面中提取文本
extracted_text = text_extractor.ExtractText(extract_options)

# 将提取的文本写入文本文件
with open("output/PDF页面区域转文本.txt", "w") as file:
    file.write(extracted_text)
pdf.Close()