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。 不对不对，我忘了说要装好tesseract可施行文件，你懂的，那玩意儿得先装好才能跑。

小技巧：只提取页面局部

有时候只想要左上角那块标题。 Spire.PDF这类库都支持矩形区域提取。

# 假设使用Spire.PDF
from spire.pdf import PdfDocument, PdfTextExtractor, PdfTextExtractOptions
from spire.pdf.common import RectangleF
doc = PdfDocument
doc.LoadFromFile
page = doc.Pages
extractor = PdfTextExtractor
options = PdfTextExtractOptions
options.ExtractArea = RectangleF   # x,y,w,h
text = extractor.ExtractText
print

表格提取：别让数据变成“一锅粥”

PDF里的表格往往没有真实的单元格结构，只是靠文字间距排版。 直接copy粘进Excel，后来啊行列乱套，那叫一个尴尬。 这里推荐两条路：一条是专门识别表格线条的库；另一条是把文字按空白划分，再自行拼装，纯正。。

用pdfplumber抓表格

换个角度看.… pdfplumber自带表格检测功能，用起来比我想象中还顺手。

import pdfplumber
import csv
def pdf_table_to_csv:
    with pdfplumber.open as pdf:
        page = pdf.pages          # 假设只要第一页
        table = page.extract_table
        if table:
            with open as f:
                writer = csv.writer
                writer.writerows
pdf_table_to_csv

如果表格里有合并单元格或斜线， 那就可能抓不到，这时候可以调节参数或者改用下面的方法。

Spire.PDF深度表格抽取

这个库能遍历每个单元格， 把文本逐个写进Excel工作簿，灵活度满分。

from spire.pdf import PdfDocument
from spire.pdf.common import *
from spire.xls import Workbook
doc = PdfDocument
doc.LoadFromFile
extractor = doc.TableExtractor   # 假设有这个属性
wb = Workbook
wb.Worksheets.Clear
for i in range:
    tables = extractor.ExtractTable
    if tables:
        for tbl in tables:
            sheet = wb.Worksheets.Add
            rows = tbl.GetRowCount
            cols = tbl.GetColumnCount
            for r in range:
                for c in range:
                    txt = tbl.GetText
                    sheet.Range.Value2 = txt
wb.SaveToFile
doc.Close

我血槽空了。 看着代码有点长？别怕，你可以把它封装成函数，然后循环文件夹批量搞定。

图片提取：把高质量素材搬出来

设计师们常说：“图少了项目难推进”。 PDF里埋着的大图、 闹笑话。 logo甚至矢量图，都能一次性导出。

Spire.PDF图片助手示例

from spire.pdf import PdfDocument
from spire.pdf.common import *
doc = PdfDocument
doc.LoadFromFile
helper = doc.ImageHelper
img_idx = 0
for i in range:
    imgs_info = helper.GetImagesInfo
    for info in imgs_info:
        img_idx += 1
        out_name = f'img_{img_idx}.png'
        info.Image.Save   # 自动保存为PNG
        print
doc.Close

这么干， 你根本不用截图，也不担心分辨率缩水。 如果你的PDF是扫描件， 我始终觉得... 那图片其实就是整页扫描图，这时候先走OCR再切割会更靠谱。

自动化批处理：一次性搞定千文件

手动点几下太慢？我们来写个“遍历文件夹+自动分类”的脚本吧，等..….。

import os
from spire.pdf import PdfDocument
def batch_extract:
    if not os.path.isdir:
        os.makedirs
    for file in os.listdir:
        if not file.lower.endswith:
            continue
        src_path = os.path.join
        name_no_ext = os.path.splitext
        dst_folder = os.path.join
        os.makedirs
        doc = PdfDocument
        doc.LoadFromFile
        # 提取文本
        txt_all = 
        for p in range:
            txt_all.append)
        with open,'w',encoding='utf-8') as f:
            f.write)
        # 提取图片
        helper=doc.ImageHelper
        img_cnt=0
        for p in range:
            infos=helper.GetImagesInfo
            for info in infos:
                img_cnt+=1
                img_path=os.path.join
                info.Image.Save
        doc.Close
        print
batch_extract

运行完后 你会在extracted目录下看到每个PDF对应的子文件夹，里面放着text.txt和若干png。 害， 这段代码里用了Spire自带的页面文字抽取方法，如果你用的是pdfplumber，只要把对应调用换掉即可——很灵活，极度舒适。。

实战小贴士：别让细节拖慢效率

• - 把常用路径写进环境变量， 免得每次敲长串路径；
• - 批量处理前先跑一次小样本，确认编码和空行情况；
• - 对于中文OCR记得加上lang='chi_sim'，不然只能识别英文；
• - 如果遇到加密PDF，需要提前解密，否则库会报错——记得找密码或使用娱乐工具。
• - 导出的CSV如果出现多余引号，用Excel打开后另存为UTF‑8即可解决乱码问题。

从“只读”到“可编辑”，一步到位

总算说完了吧？哈哈， 一下：

文本——优先直接抽，不行再走OCR； 表格——先试pdfplumber，再需要精准结构时选Spire； 图片——Spire.ImageHelper秒出高清素材； 批量——写个遍历脚本，一键搞定上千份文档，瞎扯。。

)