通过Python的pdfplumber库提取pdf中的文字

前言

大家好，我是空空star，本篇给大家分享一下《通过Python的pdfplumber库提取pdf中的文字》。
之前给大家分享了《通过Python的PyPDF2库提取pdf中的文字》，感兴趣的同学可以阅读下。
本篇演示所用python版本：Python 3.8.9

通过Python的PyPDF2库提取pdf中的文字

一、pdfplumber库是什么？

pdfplumber是一个用于从PDF文档中提取文本和表格数据的Python库。它可以帮助用户轻松地从PDF文件中提取有用的信息，例如表格、文本、元数据等。pdfplumber库的特点包括：简单易用、速度快、支持多种PDF文件格式、支持从多个页面中提取数据等。pdfplumber库还提供了一些方便的方法来处理提取的数据，例如排序、过滤和格式化等。它是一个非常有用的工具，特别是在需要从大量PDF文件中提取数据时。

二、安装pdfplumber库

pip install pdfplumber

三、查看pdfplumber库版本

pip show pdfplumber

Name: pdfplumber
Version: 0.9.0
Summary: Plumb a PDF for detailed information about each char, rectangle, and line.
Home-page: https://github.com/jsvine/pdfplumber
Author: Jeremy Singer-Vine
Author-email: [email protected]
License:
Requires: pdfminer.six, Pillow, Wand
Required-by:

四、pdfplumber和PyPDF2区别是什么？

pdfplumber和PyPDF2都是Python中用于处理PDF文件的库，但它们有一些区别：
功能：pdfplumber提供了更多的功能，例如提取表格、提取图片、提取链接等，而PyPDF2只能提取文本和元数据。
速度：pdfplumber比PyPDF2更快，因为它使用了C语言的pdfminer库进行解析。
API：pdfplumber的API更加直观和易用，而PyPDF2的API有时候会让人感到困惑。
总之，如果你需要提取PDF文件中的表格、图片或链接等内容，那么pdfplumber是一个更好的选择。如果你只需要提取文本和元数据，那么PyPDF2也可以胜任。

五、使用方法

1.引入库

import pdfplumber

2.定义pdf路径

local = '/Users/kkstar/Downloads/'

3.打开PDF文件

with pdfplumber.open(local+"demo.pdf") as pdf:

4.获取PDF文件中的页数

    num_pages = len(pdf.pages)

5.遍历每一页

    for page_num in range(num_pages):

6.获取当前页内容

        page = pdf.pages[page_num]

7.提取文本内容

        text = page.extract_text()

8.打印文本内容

        print(text)

9.效果

大家好，我是空空star，这是第一页。
大家好，我是空空star，这是第二页。
大家好，我是空空star，这是第三页。

Process finished with exit code 0

总结