在 Python 中讀取 PDF 文檔是實現(xiàn)文檔自動化、內(nèi)容分析和數(shù)據(jù)提取的基礎(chǔ)操作之一。無論你處理的是合同、報告、發(fā)票，還是科研論文，能夠通過代碼訪問 PDF 內(nèi)容，不僅能節(jié)省時間，還能帶來更高效的處理流程。

要在 Python 中準確提取 PDF 的文本、表格、圖像和元數(shù)據(jù)，一個穩(wěn)定、功能完善的 PDF 操作庫是關(guān)鍵。本文將介紹如何使用 Spire.PDF for Python 實現(xiàn)用 Python 讀取 PDF 文檔。該庫提供簡單易用、功能強大的API，無需依賴第三方工具。

Spire.PDF for Python 

加入Spire技術(shù)交流QQ群（125237868），與更多開發(fā)者一起提升文檔開發(fā)技能。

配置 Python 讀取 PDF 開發(fā)環(huán)境

Spire.PDF for Python 是一款功能全面的 PDF 讀取庫，支持通過 Python 代碼提取 PDF 中的文本、表格、圖像和文檔信息。其主要特點包括：

• 支持從磁盤或內(nèi)存加載 PDF
• 可讀取文本、表格、圖像和元數(shù)據(jù)
• 無需依賴外部工具
• 對結(jié)構(gòu)化數(shù)據(jù)的識別精準
• 提供免費版本供試用

非常適合希望快速集成 PDF 數(shù)據(jù)讀取功能的開發(fā)者。

使用 pip 安裝 Spire.PDF for Python：

pip install spire.pdf

pip install spire.pdf.free

在 Python 中加載 PDF 文檔

在讀取 PDF 內(nèi)容之前，需先將其加載到內(nèi)存中。Spire.PDF 支持從文件路徑或內(nèi)存字節(jié)流加載文檔，非常適用于處理網(wǎng)頁上傳或 API 返回的 PDF 數(shù)據(jù)。

從文件路徑加載

使用 PdfDocument.LoadFromFile() 方法從本地讀取 PDF 文件：

from spire.pdf import PdfDocument

# 創(chuàng)建一個 PdfDocument 實例
pdf = PdfDocument()
# 加載一個 PDF 文檔
pdf.LoadFromFile("sample.pdf")

從內(nèi)存字節(jié)加載

如果不希望將文件保存到磁盤，可以先讀取字節(jié)數(shù)據(jù)，并使用 Stream 對象加載：

from spire.pdf import PdfDocument, Stream

# 將 PDF 文件讀取為字節(jié)數(shù)組
with open("sample.pdf", "rb") as f:
    byte_data = f.read()
    
# 使用字節(jié)數(shù)組創(chuàng)建一個流對象
pdfStream = Stream(byte_data)
# 使用流對象創(chuàng)建一個 PdfDocument 實例
pdf = PdfDocument(pdfStream)

用 Python 讀取 PDF 中的文本

提取 PDF 中的文本內(nèi)容是最常見的需求之一。Spire.PDF 提供簡單方法，可獲取整篇文檔或指定頁面中的所有可見文本。

讀取 PDF 文檔所有文本

遍歷每一頁，使用 PdfTextExtractor.ExtractText() 提取內(nèi)容：

from spire.pdf import PdfDocument, PdfTextExtractor, PdfTextExtractOptions

# 創(chuàng)建一個 PdfDocument 實例
pdf = PdfDocument()
# 加載一個 PDF 文檔
pdf.LoadFromFile("sample.pdf")

all_text = ""
# 遍歷每一頁
for pageIndex in range(pdf.Pages.Count):
    page = pdf.Pages.get_Item(pageIndex)
    # 創(chuàng)建一個 PdfTextExtractor 實例
    text_extractor = PdfTextExtractor(page)
    # 配置提取選項
    options = PdfTextExtractOptions()
    options.IsExtractAllText = True
    options.IsSimpleExtraction = True
    # 從當前頁面提取文本
    all_text += text_extractor.ExtractText(options)

# 打印提取到的全部文本
print(all_text)

提取 PDF 頁面指定區(qū)域的文本

如只需獲取頁面中某一特定區(qū)域的文本，可通過設(shè)置坐標區(qū)域?qū)崿F(xiàn)：

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

# 加載 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 獲取第一頁
page = pdf.Pages.get_Item(0)
# 創(chuàng)建一個 PdfTextExtractor 實例
textExtractor = PdfTextExtractor(page)
# 設(shè)置提取區(qū)域，通過配置 PdfTextExtractOptions
options = PdfTextExtractOptions()
area = RectangleF.FromLTRB(0, 200, page.Size.Width, 270)  # x, y, width, height
options.ExtractArea = area
options.IsSimpleExtraction = True

# 從指定區(qū)域提取文本
text = textExtractor.ExtractText(options)
print(text)

用 Python 讀取 PDF 表格數(shù)據(jù)

PDF 中的表格廣泛用于財務(wù)、賬單等場景。借助 Spire.PDF 提供的表格提取器，你可以精準讀取頁面中的表格內(nèi)容。

from spire.pdf import PdfDocument, PdfTableExtractor

# 加載 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 創(chuàng)建一個 PdfTableExtractor 實例
table_extractor = PdfTableExtractor(pdf)
# 從第一頁提取表格
tables = table_extractor.ExtractTable(0)
for table in tables:
    # 獲取行數(shù)和列數(shù)
    row_count = table.GetRowCount()
    column_count = table.GetColumnCount()
    # 遍歷每一行
    for i in range(row_count):
        table_row = []
        # 遍歷每一列
        for j in range(column_count):
            # 獲取單元格文本
            cell_text = table.GetText(i, j)
            table_row.append(cell_text)
        print(table_row)

用 Python 提取 PDF 中的圖像

PDF 文件常含有徽標、插圖或掃描圖像。Spire.PDF 支持提取并保存這些嵌入圖像，方便后續(xù)使用或歸檔。

from spire.pdf import PdfDocument, PdfImageHelper

# 加載 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 獲取第一頁
page = pdf.Pages.get_Item(0)

# 創(chuàng)建一個 PdfImageHelper 對象
image_helper = PdfImageHelper()
# 獲取頁面上的圖像信息
images_info = image_helper.GetImagesInfo(page)
# 將頁面中的圖像保存為圖像文件
for i in range(len(images_info)):
    images_info[i].Image.Save("output/Images/image" + str(i) + ".png")

獲取 PDF 元數(shù)據(jù)（標題、作者等）

你可以通過 Spire.PDF 獲取文檔的元數(shù)據(jù)信息，如標題、作者、主題和關(guān)鍵詞等，有助于文檔管理與歸檔。

from spire.pdf import PdfDocument

# 加載 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 獲取文檔屬性
properties = pdf.DocumentInformation
print("標題: " + properties.Title)
print("作者: " + properties.Author)
print("主題: " + properties.Subject)
print("關(guān)鍵詞: " + properties.Keywords)

常見問題答疑

Python 能讀取 PDF 文件嗎？

可以。Spire.PDF for Python 提供了讀取文本、提取表格、圖像和元數(shù)據(jù)的完整 API，支持結(jié)構(gòu)化內(nèi)容的精準解析。

能在 Jupyter Notebook 中使用 Spire.PDF 嗎？

當然可以。只需通過 pip 安裝，就能在 Jupyter Notebook 中調(diào)用 API 讀取 PDF 文件、提取文本與圖像等內(nèi)容。

如何提取 PDF 文本？

加載文檔后，使用 PdfTextExtractor.ExtractText() 方法遍歷每一頁即可提取所有可見文本。

可以不保存文件直接讀取 PDF 嗎？

可以。通過 LoadFromStream() 方法可直接讀取字節(jié)數(shù)據(jù)，非常適合處理網(wǎng)頁上傳或接口返回的臨時文件。

總結(jié)

借助 Spire.PDF for Python，你可以輕松完成 PDF 文件的讀取和處理任務(wù)，包括文本、表格、圖像和元數(shù)據(jù)的提取，還可將 PDF 轉(zhuǎn)換為可分析的文本內(nèi)容，是實現(xiàn)數(shù)據(jù)采集與文檔自動化的理想方案。

————————————————————————————————————————

關(guān)于慧都科技：

慧都科技是一家行業(yè)數(shù)字化解決方案公司，長期專注于軟件、油氣與制造行業(yè)。公司基于深入的業(yè)務(wù)理解與管理洞察，以系統(tǒng)化的業(yè)務(wù)建模驅(qū)動技術(shù)落地，幫助企業(yè)實現(xiàn)智能化運營與長期競爭優(yōu)勢。在軟件工程領(lǐng)域，我們提供開發(fā)控件、研發(fā)管理、代碼開發(fā)、部署運維等軟件開發(fā)全鏈路所需的產(chǎn)品，提供正版授權(quán)采購、技術(shù)選型、個性化維保等服務(wù)，幫助客戶實現(xiàn)技術(shù)合規(guī)、降本增效與風險可控。慧都科技E-iceblue的官方授權(quán)代理商，提供E-iceblue系列產(chǎn)品免費試用，咨詢，正版銷售等于一體的專業(yè)化服務(wù)。E-iceblue旗下Spire系列產(chǎn)品是國產(chǎn)文檔處理領(lǐng)域的優(yōu)秀產(chǎn)品，支持國產(chǎn)化，幫助企業(yè)高效構(gòu)建文檔處理的應(yīng)用程序。

歡迎下載|體驗更多E-iceblue產(chǎn)品