python应用之使用pdfplumber 解析pdf文件内容

目录标题

一. 通过 pdfplumber.open() 解析复杂PDF：
- 1-2. 报错：
- - - V2 ：
- 1-3. v3 使用tk 库，弹框选择文件
- - 运行环境准备
  - 完整代码保存
  - 运行测试步骤
  - - 方式二：命令行方式（适用于自动化）
  - 测试用例示例
  - 常见问题排查
  - - 1. 无文件选择对话框弹出：
    - 2. No such file or directory错误：
    - 3. 提取内容为空：
    - 4. 内存不足错误：
  - 扩展测试建议
- 1-10 总结：
二. PDF中包含表格，table = first_page.extract_table() 只能提取到 PDF文件中的表头如下：
- - - 1. 表格结构识别问题
    - 解决办法
    - 2. 文本布局问题
    - 解决办法
    - 3. 字体和颜色问题
    - 解决办法

一. 通过 pdfplumber.open() 解析复杂PDF：

这段 Python 代码使用了 pdfplumber 库来读取 PDF 文件中的文本内容，下面是逐行解释：

import pdfplumber

引入 pdfplumber 模块，这是一个用于从 PDF 文件中提取文本、表格等内容的第三方库。

# 打开 PDF 文件, 这里写死了，看下面的V2版本，用弹框选择文件
with pdfplumber.open("example.pdf") as pdf:

使用 pdfplumber.open() 方法打开名为 "example.pdf" 的 PDF 文件。
使用 with 语句可以确保文件使用完后会自动关闭，避免资源泄露。

    # 获取第一页
    page = pdf.pages[0]

获取 PDF 文件的第一页内容，pdf.pages 是一个页面对象的列表，索引从 0 开始。

    # 提取文本
    text = page.extract_text()

调用 extract_text() 方法从第一页中提取文本内容。
这个方法返回一个字符串，包含该页的所有可提取文本（按照排版顺序）。

    print(text)

将提取到的文本打印出来。

1-2. 报错：

ImportError: DLL load failed while importing _rust: 找不到指定的程序。
Traceback:
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\ltjt_ai_seek_app\com\szkj\test_pdf\pdf_parser.py", line 2, in <module>
    import pdfplumber
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfplumber\__init__.py", line 15, in <module>
    from .pdf import PDF
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfplumber\pdf.py", line 8, in <module>
    from pdfminer.layout import LAParams
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\layout.py", line 21, in <module>
    from pdfminer.pdfinterp import Color, PDFGraphicState
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfinterp.py", line 10, in <module>
    from pdfminer.pdfdevice import PDFDevice, PDFTextSeq
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfdevice.py", line 16, in <module>
    from pdfminer.pdfpage import PDFPage
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfpage.py", line 6, in <module>
    from pdfminer.pdfdocument import (
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfdocument.py", line 23, in <module>
    from cryptography.hazmat.primitives.ciphers import Cipher, algorithms, modes
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\cryptography\hazmat\primitives\ciphers\__init__.py", line 11, in <module>
    from cryptography.hazmat.primitives.ciphers.base import (
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\cryptography\hazmat\primitives\ciphers\base.py", line 10, in <module>
    from cryptography.hazmat.bindings._rust import openssl as rust_openssl

你遇到的 ImportError: DLL load failed while importing _rust: 找不到指定的程序错误通常是由于缺少某些依赖项或环境配置问题导致的。以下是一些可能的解决方案：

确保安装了所有必要的依赖项
确保你已经安装了所有必要的依赖项，特别是 cryptography 和 pdfplumber。你可以使用以下命令来安装这些库：

pip install pdfplumber cryptography

安装 Visual C++ Redistributable
有时，这个错误是由于缺少 Microsoft Visual C++ Redistributable 包引起的。你可以从微软官方网站下载并安装最新版本的 Visual C++ Redistributable for Visual Studio 2015, 2017, 2019 或 2022。

Visual C++ Redistributable for Visual Studio 2015, 2017, and 2019
Visual C++ Redistributable for Visual Studio 2022

检查 Python 和 pip 的版本
确保你使用的是兼容的 Python 和 pip 版本。你可以使用以下命令来检查和升级它们：

python --version
pip --version
pip install --upgrade pip

重新安装 cryptography 库
有时，重新安装 cryptography 库可以解决问题。你可以使用以下命令来卸载并重新安装它：

pip uninstall cryptography
pip install cryptography

如果都安装了，还是报错，那就是python版本的问题：
从3.9 -> 3.12 ,换完之后，成功
在这里插入图片描述

在这里插入图片描述

验证安装成功
pip show pdfplumber

linux下一样，pdfplumber 好像需要python3.12 版本：

在这里插入图片描述

V2 ：

~~~

代码如下：

import streamlit as st
import pdfplumber
import io

# 设置页面标题
st.title("PDF 文本提取工具")

# 创建文件上传组件
uploaded_file = st.file_uploader("请选择一个 PDF 文件", type=["pdf"])

if uploaded_file is not None:
    # 读取上传的文件
    file_bytes = uploaded_file.read()
    # 转换为类文件对象
    file_stream = io.BytesIO(file_bytes)

    # 使用 pdfplumber 打开 PDF 文件
    with pdfplumber.open(file_stream) as pdf:
        # 获取第一页
        page = pdf.pages[0]
        # 提取文本
        text = page.extract_text()

        # 显示提取的文本
        if text:
            st.subheader("提取的文本内容：")
            st.write(text)
        else:
            st.warning("未能从该页提取到任何文本。")
else:
    st.info("请上传一个 PDF 文件以开始提取文本。")

在这里插入图片描述

提取的文本内容：
文旅投集团专属会员权益服务内容 类型 名称 项目 具体商品/服务 收费标准 权益折扣 工作日（6:00-17:00） 150元/小时 工作日（17:00-22:00） 200元/小时 周末及节假日（6:00-17:00） 200元/小时 网球项目 8.5折 室内网球 周末及节假日（17:00-22:00） 240元/小时 工作日（6:00-9:00）晨间畅打 399元/10次 工作日（12:00-14:00）午间畅打 299元/10次 工作日（6:00-17:00） 80元/小时 网球项目 工作日（17:00-22:00） 100元/小时 8.5折 室外网球 周末及节假日（6:00-22:00） 100元/小时 工作日（6:00-12:00） 40元/小时 工作日（12:00-17:00） 60元/小时 工作日（17:00-22:00） 80元/小时 多功能馆 8.5折 羽毛球 文 周末及节假日（6:00-22:00） 80元/小时 中央绿色 体 体育公园 类 工作日（6:00-9:00）晨间畅打 15元/人 工作日（6:00-9:00）晨间畅打次卡 288元/30次 多功能馆 全时段（6:00-22:00） 半场200元/小时 8.5折 室内篮球 工作日（6:00-12:00） 20元/小时 工作日（12:00-22:00） 25元/小时 周末及节假日（6:00-12:00） 25元/小时 乒乓球馆 周末及节假日（12:00-22:00） 30元/小时 8.5折 乒乓球 工作日（6:00-9:00）畅打次卡 120元/30次 工作日（9:00-12:00）畅打次卡 150元/30次 工作日（19:00-22:00）畅打次卡 198元/30次 工作日（6:00-17:00） 300元/小时 室外场地 工作日（17:00-22:00） 400元/小时 8.5折 11人制足球 周末及节假日（6:00-22:00） 400元/小时

在这里插入图片描述

1-3. v3 使用tk 库，弹框选择文件

以下是运行完整示例程序并进行测试的详细步骤说明：

运行环境准备

安装依赖库：


pip install pdfplumber tk

pdfplumber：用于PDF解析
tk：用于图形界面（Python自带，但部分Linux系统可能需要单独安装）
准备测试文件：
准备一个测试用的PDF文件（建议同时准备正常PDF和错误文件用于测试异常处理）

完整代码保存

新建一个.py文件（如pdf_extractor.py），粘贴以下代码：


import pdfplumber
import io
import tkinter as tk
from tkinter import filedialog

# 创建隐藏的根窗口
root = tk.Tk()
root.withdraw()

# 打开文件选择对话框
file_path = filedialog.askopenfilename(
    title="选择PDF文件",
    filetypes=[("PDF文件", "*.pdf")]
)

if not file_path:
    print("未选择文件")
    exit()

try:
    # 先读取为字节数据
    with open(file_path, "rb") as f:
        file_bytes = f.read()
    
    # 转换为类文件对象
    file_stream = io.BytesIO(file_bytes)
    
    # 解析PDF
    with pdfplumber.open(file_stream) as pdf:
        first_page = pdf.pages[0]
        print("="*30 + "\n提取的文本内容：\n" + "="*30)
        print(first_page.extract_text() or "未检测到文本内容")

except Exception as e:
    print(f"处理文件时出错：{str(e)}")

运行测试步骤

####. 方式一：图形界面方式（推荐）
启动程序：


python pdf_extractor.py

选择文件：

将自动弹出文件选择对话框
选择准备好的测试PDF文件（建议选择包含可识别文本的简单PDF）

查看输出：


==============================
提取的文本内容：
==============================
这里是PDF第一页的文本内容...

方式二：命令行方式（适用于自动化）


python pdf_extractor.py "/path/to/your/file.pdf"

测试用例示例

测试场景	预期结果	验证点
--------	--------	-----
选择正常PDF文件	正确输出第一页文本	文本提取功能正常
取消文件选择	输出"未选择文件"并退出	异常处理逻辑正常
选择非PDF文件（如.jpg）	弹出错误提示	文件类型过滤有效
选择加密的PDF文件	抛出解密错误	异常处理机制有效
选择损坏的PDF文件	显示解析错误信息	健壮性验证

常见问题排查

1. 无文件选择对话框弹出：

检查是否安装了图形界面支持
在Linux服务器环境可使用以下命令安装基础GUI支持：


sudo apt-get install python3-tk

2. No such file or directory错误：

确认文件路径是否正确
检查文件权限设置

3. 提取内容为空：

测试文件是否是扫描版图片PDF（需要OCR处理）
尝试使用官方测试文件：


# 测试代码
import pdfplumber
with pdfplumber.open("https://www.w3.org/WAI/ER/tests/xhtml/testfiles/resources/pdf/dummy.pdf") as pdf:
    print(pdf.pages[0].extract_text())

4. 内存不足错误：

对于超大PDF文件（>100MB），改用文件路径方式打开：


# 替代BytesIO的方式
with pdfplumber.open(file_path) as pdf:
    # 处理逻辑

扩展测试建议

多页测试：


# 修改代码遍历所有页面
for i, page in enumerate(pdf.pages):
    print(f"第 {i+1} 页内容：")
    print(page.extract_text())

表格提取测试： TODO 看看能不能弥补上面 V2 解析结果错乱的问题


# 在with语句中添加
table = first_page.extract_table()
if table:
    print("\n检测到表格：")
    for row in table:
        print(row)

性能测试：


import time
start = time.time()
# 处理代码
print(f"处理耗时：{time.time()-start:.2f}秒")

通过以上步骤可以完整验证PDF文本提取功能的可用性和健壮性。

1-10 总结：

这段代码实现了从一个名为 example.pdf 的 PDF 文件中提取第一页的文本，并将其输出到控制台。它适合用于快速查看或处理 PDF 中的文本信息。

如果你有 PDF 文件想解析或提取特定内容，也可以告诉我，我可以帮你构建更复杂的提取逻辑。

二. PDF中包含表格，table = first_page.extract_table() 只能提取到 PDF文件中的表头如下：

提取的文本内容：
==============================
['类型', '名称', '项目', '具体商品/服务', '收费标准', '权益折扣']

表格里的单元格数据提取不到

1. 表格结构识别问题

pdfplumber 是基于规则来识别表格的，若表格的结构较为复杂或者不规则，它可能无法正确识别表格的边界，进而导致只能提取到表头。

解决办法

调整表格检测参数：可以通过修改 table_settings 参数来调整表格检测的规则。例如，修改 vertical_strategy 和 horizontal_strategy 参数，让其能更精准地识别表格的边界。

import pdfplumber

pdf_path = 'your_pdf_file.pdf'
with pdfplumber.open(pdf_path) as pdf:
    first_page = pdf.pages[0]
    # 调整表格检测参数
    table_settings = {
        "vertical_strategy": "text",
        "horizontal_strategy": "text"
    }
    
    table = first_page.extract_table(table_settings)
    for row in table:
        print(row)

效果：
在这里插入图片描述
有单元格内容，也能成行成行打印了，但是对于前2列是合并行的单元格，还不友好。

2. 文本布局问题

若表格中的文本布局比较特殊，例如存在合并单元格、跨页表格等情况，pdfplumber 可能难以正确识别表格的结构。

解决办法

手动指定表格区域：可以通过指定表格的坐标区域来精确提取表格数据。你可以使用 pdfplumber 的 crop() 方法来裁剪页面，只保留表格所在的区域。
生成 pdf_table_extraction_manual.py。未测试验证

import pdfplumber

pdf_path = 'your_pdf_file.pdf'
with pdfplumber.open(pdf_path) as pdf:
    first_page = pdf.pages[0]
    # 手动指定表格区域的坐标（x0, top, x1, bottom）
    table_bbox = (100, 200, 500, 400)
    cropped_page = first_page.crop(table_bbox)
    table = cropped_page.extract_table()
    for row in table:
        print(row)