【Python】PDFMiner.six：高效处理PDF文档的Python工具

PDF是一种广泛使用的文件格式，特别适用于呈现固定布局的文档。然而，提取PDF文件中的文本和信息并不总是那么简单。幸好有许多Python库可以帮助我们，其中，PDFMiner.six 是一个功能强大、专门用于PDF文档解析的库。

什么是PDFMiner.six？

PDFMiner.six 是基于 PDFMiner 项目开发的增强版，用于从PDF文档中提取文本和结构信息。与其他库相比，它的独特之处在于能够处理复杂的布局和结构，尤其适合于需要精确提取文本并保留文档原始格式的应用场景。

主要功能

• 文本提取：支持从PDF中提取纯文本、格式化文本（带有字体、颜色等信息）。
• 文档结构解析：可以获取PDF的结构信息，包括段落、页码、图像和表格等。
• OCR支持：虽然PDFMiner不直接提供OCR功能，但可以结合Tesseract等OCR工具对扫描版PDF进行处理。
• 支持多种编码：无论是常见的UTF-8，还是更复杂的字符集，PDFMiner都能轻松处理。

安装PDFMiner.six

使用pip可以轻松安装PDFMiner.six：

pip install pdfminer.six

♨️ 核心功能和代码示例

下面我们来介绍一些PDFMiner.six的核心功能，并通过示例代码展示如何使用它们。

1. 提取PDF文档的纯文本

提取纯文本是PDF解析的基础功能。下面的代码展示了如何从PDF文件中提取文本并输出：

from pdfminer.high_level import extract_text

# 指定PDF文件路径
pdf_path = 'sample.pdf'

# 提取文本
text = extract_text(pdf_path)

# 打印提取的文本
print(text)

这段代码非常简洁，extract_text() 是PDFMiner.six的高层接口，用于快速提取纯文本，输出格式为字符串。

2. 从多个页面提取文本

有时候，我们只想提取特定页码的内容，可以使用以下代码：

from pdfminer.high_level import extract_text

pdf_path = 'sample.pdf'

# 提取第一页和第三页的文本
text = extract_text(pdf_path, page_numbers=[0, 2])

print(text)

通过传递 page_numbers 参数，我们可以指定从哪些页面提取文本。

3. 提取PDF中的表格内容

PDFMiner.six并没有专门的表格处理工具，但可以利用其获取文本位置的能力进行表格提取。以下是一个基础实现示例，提取PDF文档中按列对齐的表格内容：

from pdfminer.layout import LAParams
from pdfminer.high_level import extract_text_to_fp
from io import StringIO

output_string = StringIO()
with open('table_sample.pdf', 'rb') as f:
    extract_text_to_fp(f, output_string, laparams=LAParams())

# 输出提取的表格内容
print(output_string.getvalue())

这个例子展示了如何结合 LAParams 参数提取布局敏感的文本。

4. 获取PDF的元数据信息

除了文本提取，PDFMiner.six还能帮助我们获取PDF文档的元数据，例如标题、作者、页数等信息。

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument

with open('sample.pdf', 'rb') as f:
    parser = PDFParser(f)
    doc = PDFDocument(parser)

    # 获取元数据
    info = doc.info[0]  # doc.info返回的是一个字典
    print(f"Title: {info.get('Title')}")
    print(f"Author: {info.get('Author')}")
    print(f"Pages: {len(list(doc.get_pages()))}")

5. 高级文本解析：按字、行、段落提取

当我们需要更精确地处理文档内容时，PDFMiner.six的低级API提供了强大的灵活性。通过处理 LTTextBoxHorizontal、LTTextLineHorizontal 对象，可以按行或段落进行提取和处理。

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextBoxHorizontal

for page_layout in extract_pages('sample.pdf'):
    for element in page_layout:
        if isinstance(element, LTTextBoxHorizontal):
            print(element.get_text())

在这个例子中，我们可以逐页遍历PDF文档，识别每个 LTTextBoxHorizontal 对象来提取段落内容。

使用场景

为了便于理解和展示PDFMiner.six的功能，以下是常用功能的对比与使用场景表格：

功能	方法	使用场景
提取纯文本	extract_text()	用于快速提取PDF中的文本内容
提取指定页码的文本	extract_text(page_numbers)	仅提取特定页的内容，适合大文档
提取带有格式的文本	extract_text_to_fp()	需要保持文本格式时使用
提取文档元数据	PDFDocument.info	用于获取文档的作者、标题、页数等元数据
布局敏感文本提取	LAParams()	需要保留文档结构时，适合表格或图文混排文档
逐行提取文本	extract_pages()	用于逐行解析文本，适合精准文本分析

下载地址

PDFMiner.six 最新版 下载地址

结语

PDFMiner.six 是一个强大的PDF处理工具库，能够应对复杂的PDF文档解析任务。从基本的文本提取到复杂的结构化内容处理，它都提供了丰富的API供开发者使用。对于需要从PDF中提取关键信息的项目，PDFMiner.six是一个不容错过的选择。

参考文献

• PDFMiner.six 官网
• PDFMiner.six GitHub仓库