Python 提取 PDF 文本：3 个库怎么选

用 Python 提取 PDF 文本，看起来像是件很简单的事；但真正做过的人都知道，实际情况往往充满例外：版式错乱、阅读顺序不对、还有顽固的图片型文档。这篇指南不讲空话，先直接对比几种常用的 Python PDF 文本提取库，帮你快速判断项目该用哪一个。

接下来，我们会用代码分别演示 3 个非常实用的库：PyPDF2、pdfplumber 和 PyMuPDF（Fitz）。内容会从基础的 PDF 读取文本，一直讲到复杂表格的处理方式。我们还会重点解决最棘手的一类文件：需要 OCR 识别的扫描版 PDF，并给出一种不依赖复杂本地环境的实用方案。读完后，你不仅能拿到可直接改用的代码，也能明确不同场景下该怎么选库、怎么搭建稳定的 PDF 自动化处理流程。

快速结论：Python 提取 PDF 文本用哪个库

在看代码之前，先快速过一遍这几个主流方案。到底选哪个，核心取决于你的需求更偏向速度、上手难度，还是版面与结构分析能力。

一句话建议： 最简单的 PDF 文本提取，先用 PyPDF2。只要文档里出现表格，优先换成 pdfplumber。如果你最看重处理速度，就选 PyMuPDF。

开始前准备：配置 Python 环境

为了让项目依赖保持干净、避免包冲突，建议始终在虚拟环境里操作。这不是可选项，而是稍微正式一点的 Python 项目都应该遵守的基本实践。

下面是在终端里完成环境配置的方法：

1. 创建虚拟环境：

    # 在 macOS/Linux 上
    python3 -m venv pdf_env
    
    # 在 Windows 上
    python -m venv pdf_env
    ```

2.  **激活虚拟环境：**

```plaintext
    # 在 macOS/Linux 上
    source pdf_env/bin/activate
    
    # 在 Windows 上
    .\pdf_env\Scripts\activate
    ```

激活后，你的终端提示符里应该会看到 `(pdf_env)`。

3.  **安装相关库：** 我们把这次要对比的 3 个库都装上，后面你就可以直接跟着代码一起测试。

```plaintext
    pip install pypdf2 pdfplumber pymupdf
    ```

到这里，运行下面的代码示例所需环境就准备好了。

---

## 方法 1：用 PyPDF2 提取 PDF 文本

PyPDF2 是处理 PDF 基础操作时最常用的库之一。它简单直接、使用历史长，很适合处理“原生 PDF”——也就是文本可以直接选中，而不是嵌在图片里的那类文件。如果你的文档是普通报告、文章，或者文本型导出文件，那么用 PyPDF2 读取 PDF 内容，通常只需要很少的代码就够了。

它的主要限制也很明显：PyPDF2 读取的是 PDF 内部的文本流，这和人眼看到的阅读顺序不一定一致，尤其是在多栏排版里更容易出问题。它也不理解表格结构，遇到表格时，往往会把所有单元格内容直接拼成一团。

下面是一个用 PyPDF2 提取 PDF 全部文本的简单示例：

```python
# requirements: pip install pypdf2

import PyPDF2

def extract_text_with_pypdf2(pdf_path):
    """
    使用 PyPDF2 库从 PDF 文件中提取文本。

    参数:
        pdf_path (str): PDF 文件路径。

    返回:
        str: 提取出的文本内容，或错误信息。
    """
    try:
        with open(pdf_path, 'rb') as file:
            reader = PyPDF2.PdfReader(file)
            num_pages = len(reader.pages)
            print(f"总页数: {num_pages}")

            full_text = ""
            for page_num in range(num_pages):
                page = reader.pages[page_num]
                full_text += page.extract_text() + "\n"
        
        return full_text

    except FileNotFoundError:
        return f"错误：未找到文件 {pdf_path}。"
    except Exception as e:
        return f"发生了意外错误：{e}"

# --- 使用示例 ---
pdf_file = 'path/to/your/document.pdf'
extracted_text = extract_text_with_pypdf2(pdf_file)

if "Error" not in extracted_text:
    print("--- 提取结果 ---")
    print(extracted_text)
else:
    print(extracted_text)

这段脚本在处理简单的单栏文本时效果很好。但如果你拿它去解析带有规整表格的财务报表，会发生什么？结果通常是一堆混在一起的文字和数字，几乎没有结构可言。这正是下一个库更擅长解决的问题。

方法 2：用 pdfplumber 提取 PDF 表格和版面内容

如果你的任务是提取结构化数据，pdfplumber 往往更合适。它构建在 pdfminer.six 之上，能更细粒度地读取 PDF 页面中的几何信息。它不仅能识别字符，还能识别线条、矩形等页面元素，并且内置了非常实用的表格检测与提取方法。

这对数据分析和业务自动化场景非常有用。比如你要从公司的 PDF 财报里提取季度业绩数据，用 PyPDF2 往往得靠繁琐的字符串解析；而用 pdfplumber，通常可以直接拿到干净的二维列表，再顺手转成 Pandas DataFrame。

pdfplumber 在处理结构化数据时比 PyPDF2 更强，核心原因在于它不仅提取原始文本流，还会分析页面的视觉布局。 它能判断哪些文本是按行列对齐的，哪些区域由线条分隔，因此更适合提取表格和规则版面。

下面演示如何从 PDF 页面中提取表格：

# 依赖安装：pip install pdfplumber

import pdfplumber
import pandas as pd

def extract_tables_with_pdfplumber(pdf_path, page_number=0):
    """
    使用 pdfplumber 从 PDF 的指定页面提取所有表格。

    参数:
        pdf_path (str): PDF 文件路径。
        page_number (int): 要提取表格的页码（从 0 开始计数）。

    返回:
        list of pandas.DataFrame: 列表中的每个元素都是一个 DataFrame，
                                  对应页面中识别到的一张表格。
    """
    tables = []
    try:
        with pdfplumber.open(pdf_path) as pdf:
            if page_number >= len(pdf.pages):
                print(f"错误：第 {page_number} 页超出范围。该 PDF 共 {len(pdf.pages)} 页。")
                return tables
            
            page = pdf.pages[page_number]
            # 这里的关键方法是 .extract_tables()
            extracted_tables = page.extract_tables()
            
            for table_data in extracted_tables:
                # 将二维列表转换为 pandas DataFrame
                df = pd.DataFrame(table_data[1:], columns=table_data[0])
                tables.append(df)
        
        return tables

    except FileNotFoundError:
        print(f"错误：未找到文件 {pdf_path}。")
        return tables
    except Exception as e:
        print(f"发生了未预期的错误：{e}")
        return tables

# --- 使用示例 ---
# 运行此示例前还需要安装 pandas：pip install pandas
pdf_file_with_table = 'path/to/your/report.pdf'
all_tables = extract_tables_with_pdfplumber(pdf_file_with_table, page_number=0)

if all_tables:
    print(f"第 0 页共找到 {len(all_tables)} 张表格。")
    for i, table_df in enumerate(all_tables):
        print(f"\n--- 表格 {i+1} ---")
        print(table_df)
else:
    print("指定页面未找到表格。")

这种高精度的代价是速度。pdfplumber 需要对页面做更多版面分析，因此天然会比那些只负责导出文本的库更慢。

方法 3：用 PyMuPDF（Fitz）高速提取 PDF 文本

如果你需要快速处理几百甚至上千个 PDF，性能往往就是决定因素。这正是 PyMuPDF 的强项。它在代码里通过 fitz 导入，底层绑定的是轻量级 C 库 MuPDF，因此速度非常出色。

我之前做过一个项目，需要批量处理几千份多页法律文档。最开始用 pdfplumber 写的脚本，预估要跑好几个小时；后来换成 PyMuPDF，整体运行时间压到了 30 分钟以内，速度差距就是这么明显。

除了快，PyMuPDF 的功能也很全面。它可以把页面渲染成图片（这对 OCR 流程尤其关键）、提取嵌入图片，还能处理批注。虽然它不像 pdfplumber 那样开箱即用地提取表格，但在原始文本提取速度上几乎没有对手。

下面是用 PyMuPDF 快速提取文本的写法：

# 依赖安装：pip install PyMuPDF

import fitz  # PyMuPDF 库

def extract_text_with_pymupdf(pdf_path):
    """
    使用高性能的 PyMuPDF（Fitz）库从 PDF 文件中提取文本。

    参数:
        pdf_path (str): PDF 文件路径。

    返回:
        str: 提取到的文本内容，或错误信息。
    """
    try:
        doc = fitz.open(pdf_path)
        full_text = ""
        for page in doc:
            # 核心方法是 .get_text()
            full_text += page.get_text() + "\n"
        
        doc.close()
        return full_text

    except FileNotFoundError:
        return f"错误：未找到文件 {pdf_path}。"
    except Exception as e:
        # PyMuPDF 可能抛出特定错误，例如 fitz.fitz.FitzError
        return f"PyMuPDF 处理时出错：{e}"

# --- 使用示例 ---
pdf_file = 'path/to/your/document.pdf'
fast_extracted_text = extract_text_with_pymupdf(pdf_file)

if "Error" not in fast_extracted_text:
    print("--- 提取结果（高速方式）---")
    print(fast_extracted_text)
else:
    print(fast_extracted_text)

如果处理的是可选中文本的 PDF，单看吞吐量，PyMuPDF 基本就是首选。

---

特殊情况：扫描版 PDF 需要配合 OCR 识别

你可能会问：如果上面这些方法都不生效怎么办？如果你把这些代码直接用在扫描文档上——比如合同照片生成的 PDF，或者扫描后的书页——通常只会得到一个空字符串。

原因很简单：这类 PDF 根本没有文本层，里面存的是图片，不是字符。要解决这个问题，就必须用 OCR（光学字符识别）去“读”图片，再把它转换成机器可处理的文字。

Python 里常见的方案是 pytesseract，它是 Google Tesseract OCR 引擎的封装。不过它也有一个很现实的麻烦：你需要先在系统里单独安装 Tesseract（例如在 Mac 上通过 brew 安装，或在 Windows 上运行安装程序），还要确保 Python 能找到对应的可执行文件。这个配置过程并不省心，尤其是在把代码部署到服务器，或者需要分享给同事时，环境问题很容易冒出来。

替代方案：先用免代码工具预处理复杂 PDF

如果你赶时间，或者不想折腾 OCR 依赖，一个更省事的做法是先把 PDF 文本提取交给专门的工具处理。这样可以把复杂的 OCR 问题和你的 Python 主逻辑拆开。

像 Lynote AI PDF 文本提取工具 这样的 AI 工具，就很适合拿来做前置处理。你可以先上传那些难处理的扫描版 PDF，由它在后台完成 OCR 识别，再输出干净的文本，后续直接喂给你的脚本即可。对于一次性任务，或者只需要处理少量棘手文件的场景，这种方式尤其省时间。

整个流程其实很简单：

1. 上传 PDF 文件。 打开 Lynote 工作区，在“Upload File”标签页中，你可以直接拖拽 PDF 上传，或从电脑中选择文件。无论是文本型 PDF，还是扫描图片型 PDF，都可以处理。
2. 提取 PDF 文本。 文件上传完成后，点击“Create Note”按钮。Lynote 的 AI 引擎会开始处理文档；如果检测到这是图片型 PDF，会自动调用 OCR，并生成一份干净、可搜索的文本内容。
3. 复制提取结果。 当文本出现在编辑器中后，你可以先快速检查一遍，做一些小修正，然后点击复制按钮，把全部内容复制出来。这样文本就进入剪贴板了，可以直接粘贴到你的 Python 脚本里，作为字符串变量继续处理。

这样做的好处是，你可以把精力放在数据分析和业务逻辑上，而不是本地 OCR 环境的搭建、依赖管理和报错处理上。

常见坑点与进阶技巧

用 Python 提取 PDF 文本时，很少能一次做到完全无误。下面这些问题，基本都是实战里经常会遇到的：

• 字符编码问题： 你可能会遇到 UnicodeDecodeError。这类问题常见于较老的 PDF，或由一些冷门软件生成的文件。大多数现代库都能较好处理 UTF-8，但如果库本身支持，手动指定编码有时也能解决问题。
• 带密码保护的 PDF： 如果 PDF 打开时需要密码，这些库默认都无法直接读取。你必须在打开文件时传入密码。例如：PyPDF2.PdfReader(file, password='your_password')。
• 格式信息丢失： 要注意，Python 读取 PDF 内容时，提取出来的通常只是纯文本，像加粗、斜体、字号、颜色这类格式几乎都会丢失。你拿到的是原始文字内容，不是页面的视觉效果。
• 多栏文本顺序混乱： 前面提到过，PyPDF2 在处理多栏排版（比如论文）时，常会把不同栏的内容混在一起。这是因为它对页面结构理解有限。相比之下，pdfplumber 更擅长处理这类情况，因为它会结合页面几何位置来区分文本。

实战建议： 写好脚本后，一定要先拿一批有代表性的 PDF 样本做测试。某个方案在一份 PDF 上效果很好，换一个来源的文件，可能就完全失效。

常见问题

为什么我从表格里提取出来的文本变成了一整串乱序内容？

这正是不做版面分析的库（比如 PyPDF2）最典型的问题。它们是按文件内部存储的文本流顺序去读取内容，而这个顺序往往和你肉眼看到的行列结构并不一致。想解决这个问题，就要用支持版面识别的库，比如 **pdfplumber**。它本身就是为识别表格数据而设计的。

Python 能提取 PDF 页面某个指定区域的文本吗？

可以，但前提是你使用的库要支持坐标信息。pdfplumber 和 PyMuPDF 都很适合做这件事。以 pdfplumber 为例，你可以用 .crop((x0, top, x1, bottom)) 先框定一个区域，然后只对这个裁剪范围执行 .extract_text() 或 .extract_tables()。

为什么扫描版 PDF 提取出来是空的？

因为你的 PDF 里存的是文字图片，而不是真正的文本数据。常规的 Python PDF 文本提取库并不能直接“读懂”图片。这种情况下，你需要用 OCR 识别 PDF。你可以在本地配置 pytesseract 这类 OCR 引擎，也可以先用 Lynote 这样的预处理工具，把扫描版 PDF 转成干净文本，再交给 Python 继续处理。

多语言 PDF 该怎么处理？

像 PyMuPDF 和 pdfplumber 这样的现代库，通常都能较好支持 Unicode，因此处理大多数语言的文本问题不大。真正的难点通常出现在 OCR 阶段。比如 Tesseract 就要求你提前下载并指定要使用的语言包（例如 -l eng+fra 表示同时识别英文和法文）。

如何选择合适的 Python PDF 提取工具

做 Python 提取 PDF 文本时，并不存在一个适合所有场景的“最佳库”。真正该选哪个，取决于你的 PDF 文件类型，以及项目最终要达到什么目标。

你可以按下面这个思路快速判断：

• 如果你的 PDF 是简单的文本型文档，只需要把原始文字内容读出来，PyPDF2 通常是最容易上手、实现成本最低的选择。
• 如果你的 PDF 里有表格或结构化排版，而你还需要把内容进一步解析成数据（例如导入数据库或 Pandas DataFrame），那 pdfplumber 基本是首选，尤其适合 Python 提取 PDF 表格 这类场景。
• 如果你要批量处理大量文件，并且最看重执行速度，那么 PyMuPDF (Fitz) 往往是性能最强、效率最高的方案。
• 如果你处理的是扫描版、图片型 PDF，那就必须走 OCR 流程。要是你不想折腾本地环境配置，通常更务实的做法是先用外部工具把文件预处理成干净文本，再导入 Python 环境继续分析。

建议先从能满足需求的最简单方案开始；如果后续遇到更复杂的版面、表格或扫描件，再切换到更强的工具也不迟。