使用 Python 提取 PDF 文件中的文本、表格、图片

PDF 文档作为一种广泛使用的文件格式，常常包含丰富的内容元素——从简单的文字段落，到复杂的数据表格，再到精美的图片和图表。当我们需要对这些内容进行二次利用或数据分析时，如何高效地从 PDF 中提取这些不同类型的元素就成为了一个关键问题。

本文将介绍如何使用 Python 和 Spire.PDF 库来提取 PDF 文件中的文本、表格和图片，帮助读者将静态的 PDF 文档转换为可编辑、可分析的数据资源。

为什么需要提取 PDF 内容？

从 PDF 中提取内容在实际工作中有着广泛的应用场景：

• 数据再利用：从报告或文档中提取文本内容，用于其他文档或系统
• 数据分析：提取表格数据进行统计分析或导入数据库
• 素材收集：提取图片用于演示文稿、网站或其他设计项目
• 内容归档：将 PDF 内容转换为结构化格式便于检索和管理
• 自动化处理：批量提取多个文档的内容，提高工作效率

通过 Python 自动化这些提取操作，可以显著减少手动复制粘贴的工作量，并提高数据处理的准确性。

环境准备

首先，需要安装 Spire.PDF for Python 库。可以通过 pip 命令轻松完成安装：

pip install Spire.PDF

安装完成后，即可在 Python 脚本中导入该库并使用其提供的内容提取功能。

提取 PDF 中的文本

提取整页文本

最基础的提取操作是从 PDF 页面中提取所有文本内容。Spire.PDF 提供了 PdfTextExtractor 类来实现这一功能，它能够智能识别页面中的文本布局并保持原有的阅读顺序。

以下代码展示了如何从 PDF 的第一页提取文本并保存到文件：

from spire.pdf.common import *
from spire.pdf import *

def write_all_text(fname: str, text: List[str]):
    """辅助函数：将文本列表写入文件"""
    with open(fname, "w", encoding="utf-8") as fp:
        for s in text:
            fp.write(s)

input_file = "./data/sample.pdf"
output_file = "extracted_text.txt"

doc = PdfDocument()
doc.load_from_file(input_file)

page = doc.pages[0]

text_extractor = PdfTextExtractor(page)
option = PdfTextExtractOptions()
text = text_extractor.extract_text(option)

write_all_text(output_file, text)
doc.close()

这个示例展示了文本提取的基本流程：

1. 加载 PDF 文档并获取目标页面
2. 创建 PdfTextExtractor 对象用于文本提取
3. 配置 PdfTextExtractOptions 选项（可选）
4. 调用 extract_text 方法提取文本内容
5. 将结果保存到文本文件

PdfTextExtractOptions 允许您自定义提取行为，例如是否保留空白字符、如何处理换行符等，这为不同场景下的文本提取提供了灵活性。

提取特定区域的文本

有时候我们只对 PDF 页面中的某个特定区域感兴趣，比如表单字段、标题部分或某个数据块。Spire.PDF 支持通过定义矩形区域来精确提取指定范围内的文本。

以下示例演示了如何从页面的特定矩形区域提取文本：

from spire.pdf.common import *
from spire.pdf import *

def write_all_text(fname: str, text: List[str]):
    """辅助函数：将文本写入文件"""
    with open(fname, "w", encoding="utf-8") as fp:
        for s in text:
            fp.write(s)

input_file = "./data/sample.pdf"
output_file = "extracted_text_from_area.txt"

pdf = PdfDocument()
pdf.load_from_file(input_file)

page = pdf.pages[0]

# RectangleF 参数：x坐标, y坐标, 宽度, 高度
pdf_text_extractor = PdfTextExtractor(page)
pdf_text_extract_options = PdfTextExtractOptions()
pdf_text_extract_options.extract_area = RectangleF(80.0, 180.0, 500.0, 200.0)
text = pdf_text_extractor.extract_text(pdf_text_extract_options)

write_all_text(output_file, [text])
pdf.close()

这段代码的关键在于 RectangleF 参数的设置：

• x坐标和y坐标：定义矩形区域左上角的位置（单位为点，1点=1/72英寸）
• 宽度和高度：定义提取区域的大小

通过精确控制这些参数，您可以只提取感兴趣的区域，避免获取无关内容。这种方法特别适合处理结构化的 PDF 表单、发票或报表。

提取 PDF 中的图片

PDF 文档中的图片可能是产品照片、图表、Logo 或其他视觉元素。Spire.PDF 提供了高效的方法来提取这些图片，最常用的方式是借助 PdfImageHelper 工具类。

使用 PdfImageHelper 提取图片

以下代码展示了如何遍历 PDF 页面中的所有图片并将其保存为单独的 PNG 文件：

from spire.pdf.common import *
from spire.pdf import *

doc = PdfDocument()
doc.load_from_file("./data/sample.pdf")

image_helper = PdfImageHelper()

image_count = 1
for i in range(doc.pages.count):
    # 获取当前页面中的图片信息集合
    images_info = image_helper.get_images_info(doc.pages[i])

    # 遍历图片信息并保存图片
    for j in range(len(images_info)):
        image_info = images_info[j]
        # 设置输出文件名
        output_file = f"image_{image_count}.png"
        # 直接通过 Image 对象保存文件
        image_info.image.save(output_file)
        image_count += 1

doc.close()

核心步骤说明：

1. 实例化 PdfImageHelper：这是提取图片的核心辅助类。
2. 获取图片信息：通过 image_helper.get_images_info(page) 获取包含图片数据及其元数据的集合。
3. 直接保存：利用 image_info.image.save() 方法直接将图片对象导出。Spire.PDF 会自动处理图像解码，确保提取出的图片保持高质量。

同时提取文本和图片

如果需要一次性获取页面中的所有内容，可以将 PdfTextExtractor 与 PdfImageHelper 结合使用。这种方法非常适合需要对文档进行内容索引或归档的自动化任务。

from spire.pdf import *
import os

input_file = "./data/sample.pdf"

doc = PdfDocument()
doc.load_from_file(input_file)

sbuffer = []
images = []
image_helper = PdfImageHelper()

for i in range(doc.pages.count):
    page = doc.pages[i]

    # 创建 PdfTextExtractor 对象并提取文本
    pdf_text_extractor = PdfTextExtractor(page)
    pdf_text_extract_options = PdfTextExtractOptions()
    sbuffer.append(pdf_text_extractor.extract_text(pdf_text_extract_options))

    # 获取页面中的所有图片并存入缓存
    image_info = image_helper.get_images_info(page)
    for info in image_info:
        images.append(info.image)

file_name = "extracted_content.txt"
with open(file_name, "w", encoding="utf-8") as fp:
    for s in sbuffer:
        fp.write(s + "\n")

for index, img in enumerate(images):
    img_path = os.path.join("./data", f"image_{index}.png")
    img.save(img_path)

doc.close()

这种方法的优势在于可以统一处理文档的各种媒体元素，并能够通过循环结构轻松实现批量提取，是处理复杂 PDF 文档的标准做法。

提取 PDF 中的表格

表格是 PDF 文档中常见的数据结构，但也是最难准确提取的元素之一。Spire.PDF 提供了将 PDF 转换为 Excel 的功能，通过这种方式可以间接提取表格数据。

提取 PDF 表格并保存为数据文件

通过 PdfTableExtractor 类，可以精确识别并提取 PDF 中的表格结构。这种方法允许开发者遍历每一行和每一列，将数据按原样填入 Excel 工作表或保存为 CSV 格式，便于后续的数据处理。

from spire.pdf import *
from spire.pdf.common import *
from spire.xls import *

doc = PdfDocument()

doc.load_from_file("./data/sample.pdf")

workbook = Workbook()
workbook.worksheets.clear()

extractor = PdfTableExtractor(doc)

sheet_number = 1
for i in range(doc.pages.count):
    page = doc.pages[i]

    # 提取页面中的所有表格
    tables = extractor.extract_tables(page)

    # 遍历每个表格并将其保存到 Excel 工作表
    for table in tables:
        worksheet = workbook.create_worksheet(f"Sheet{sheet_number}")
        sheet_number += 1

        # 遍历表格的每一行
        for row_index, row in enumerate(table.rows):
            # 遍历行中的每一列
            for col_index, cell in enumerate(row.cells):
                # 将单元格内容写入 Excel 单元格
                worksheet.set_value(row_index, col_index, cell.text)

workbook.save_to_file("extracted_tables.xlsx")
doc.close()

核心步骤说明：

1. 创建 PdfTableExtractor 对象：用于提取 PDF 中的表格数据。
2. 提取表格：通过 extract_tables(page) 方法获取页面中的所有表格。
3. 保存到 Excel：将提取的表格数据逐行逐列写入 Excel 工作表，并保存为文件。

总结

本文介绍了如何使用 Python 和 Spire.PDF 库从 PDF 文件中提取文本、表格和图片。通过这些方法，可以将静态的 PDF 文档转换为可编辑、可分析的数据资源，提高数据处理的效率和准确性。建议读者根据实际需求选择合适的提取方法，并结合具体的业务场景进行应用。希望本文对您的工作有所帮助。