Python PDFMiner示例

首先安装pdfminer.six，然后根据需求选择不同方法提取PDF文本：1. 使用extract_text()直接提取全文，适用于纯文本PDF；2. 通过extract_pages()逐页解析，结合LTTextContainer获取每页文本；3. 利用LTTextBox和LTTextLine获取文本块及其坐标信息；4. 高级场景使用PDFResourceManager和TextConverter自定义解析流程，支持格式转换；需注意该库不支持扫描件，复杂编码可能导致乱码，建议配合OCR工具处理图片型PDF，最终根据实际需求选择合适方法完成文本提取任务。

pdfminer 是一个用于从 PDF 文件中提取文本和布局信息的 Python 库，特别适用于需要解析 PDF 内容结构的场景。下面是一个简单实用的 pdfminer 使用示例，帮助你快速上手。

✅ 安装 pdfminer.six

首先，确保安装的是 pdfminer.six（这是活跃维护的分支）：

pip install pdfminer.six

? 示例 1：提取整个 PDF 的文本内容

from pdfminer.high_level import extract_text

# 提取 PDF 文本
text = extract_text("example.pdf")

print(text)

⚠️ 说明：extract_text 是最简单的接口，适合大多数纯文本提取任务。如果 PDF 是扫描件（图片），则无法提取文字。

? 示例 2：逐页提取并显示页码

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer

for page_layout in extract_pages("example.pdf"):
    print(f"--- Page ---")
    for element in page_layout:
        if isinstance(element, LTTextContainer):
            print(element.get_text().strip())

这种方式可以控制每一页的内容，并区分文本块。

? 示例 3：获取更详细的文本位置信息（坐标）

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextLine, LTTextBox

for page_layout in extract_pages("example.pdf"):
    for element in page_layout:
        if isinstance(element, LTTextBox):
            print("TextBox:")
            for text_line in element:
                if isinstance(text_line, LTTextLine):
                    print(f"  Text: '{text_line.get_text().strip()}'")
                    print(f"  Bounding Box: {text_line.bbox}")

bbox 返回的是 (x0, y0, x1, y1) 坐标，可用于分析文本位置（如表格、标题定位）。

⚙️ 高级用法：使用 PDFResourceManager 和 PageInterpreter

适用于需要自定义解析逻辑的场景：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.layout import LAParams
from pdfminer.converter import TextConverter
from io import StringIO

def extract_text_advanced(pdf_path):
    resource_manager = PDFResourceManager()
    fake_file_handle = StringIO()
    laparams = LAParams()
    converter = TextConverter(resource_manager, fake_file_handle, laparams=laparams)
    page_interpreter = PDFPageInterpreter(resource_manager, converter)

    with open(pdf_path, 'rb') as fh:
        for page in PDFPage.get_pages(fh, caching=True, check_extractable=True):
            page_interpreter.process_page(page)

    text = fake_file_handle.getvalue()

    # 清理
    converter.close()
    fake_file_handle.close()

    return text

# 使用
text = extract_text_advanced("example.pdf")
print(text)

这种方式更灵活，可以替换 TextConverter 为 HTMLConverter 或 XMLConverter 输出其他格式。

? 小贴士

• pdfminer 解析的是文本流，对扫描 PDF（图片）无效，需配合 OCR 工具如 pytesseract。
• 某些 PDF 字体编码复杂，可能出现乱码，可尝试设置 laparams 参数调整解析行为。
• 若需保留格式（如换行、缩进），建议使用 LAParams(boxes_flow=None) 来减少自动合并文本块。

基本上就这些常用用法。对于大多数文本提取任务，直接用 extract_text() 就够了；如果需要布局信息，再深入使用 extract_pages() 或底层接口。

以上是Python PDFMiner示例的详细内容。更多信息请关注PHP中文网其他相关文章！