如何高效从PDF中提取文本、表格及图片内容？

先聊聊PDF到底是个啥

我好了。 说实话，PDF就像那种硬邦邦的文档砖墙。 跨平台、排版不跑位，谁用谁爱嗯。 可是它天生只读，想挖里面的宝藏——文字、表格、图片—— 就得动点手脚。 别慌，咱今天把这些“开锁”技巧全拆出来保证你看完能直接上手。

文本提取：从直接复制到OCR全覆盖

最简单的办法， 就是打开PDF全选Ctrl+C，然后粘进Word。 哈哈，这招对纯文字PDF真的管用。 但要是遇到排版乱七八糟，或者复制出来满是乱码，怎么办？ 这时候就要请出OCR啦。

客观地说... 常见的Python库有pdfplumber和pytesseract配合使用。

import pdfplumber
from PIL import Image
import pytesseract
def extract_text:
    texts = 
    with pdfplumber.open as pdf:
        for page in pdf.pages:
            # 先尝试直接抓文字
            txt = page.extract_text
            if txt:
                texts.append
            else:
                # 没有可选文字， 用截图+OCR
                img = page.to_image.original
                ocr_txt = pytesseract.image_to_string
                texts.append
    return "
".join

代码里先抢一波可直接抽的文字，抽不到再让OCR来救场。