Python使用Spire.PDF库提取PDF文本、图片和表格的实践
在日常文档处理中，PDF 是一种常见格式，而通过 Python 批量提取 PDF 中的文本、图片和表格数据，可以大幅提升自动化效率。本文基于 Free Spire.PDF for Python 库（免费版限制每次最多处理 10 页），演示如何实现 PDF 的基本信息读取、文本提取、图片导出以及表格解析。## 环境准备
首先通过 pip 安装依赖库：
pip install Spire.Pdf.Free
安装后在脚本中导入核心模块：
from spire.pdf import *
from spire.pdf.common import *
注意：免费版对处理的 PDF 页数有限制（每次最多 10 页），以下示例均在此限制下运行。
## 基本工作流程
使用该库读取 PDF 的一般步骤为：
1. 创建 PdfDocument 对象。
2. 调用 LoadFromFile() 方法加载 PDF 文件。
3. 通过 Pages 集合访问每一页。
4. 使用对应的提取器（PdfTextExtractor、PdfImageHelper、PdfTableExtractor）提取内容。
5. 关闭文档释放资源。
## 读取 PDF 基本信息（页数、页面尺寸）
在提取具体内容前，先获取文档元数据，有助于了解文档结构。
from spire.pdf import PdfDocument
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")
page_count = pdf.Pages.Count
print(f"总页数: {page_count}")
for i in range(page_count):
page = pdf.Pages.get_Item(i)
width = page.Size.Width
height = page.Size.Height
print(f"第 {i+1} 页尺寸: {width} x {height}")
pdf.Close()
输出示例中，A4 尺寸的页面宽高约为 595 x 842 点。
## 提取 PDF 中的文本
利用 PdfTextExtractor 逐页提取文本，可控制是否保留空白布局。注意：如果 PDF 中文字是扫描图片（无文本层），则无法直接提取，需借助 OCR 技术。
from spire.pdf import *
def extract_text_from_pdf(pdf_path, start_page=1, end_page=None):
pdf = PdfDocument()
pdf.LoadFromFile(pdf_path)
total_pages = pdf.Pages.Count
if end_page is None or end_page > total_pages:
end_page = total_pages
# 免费版限制最多处理前10页
end_page = min(end_page, 10)
for i in range(start_page - 1, end_page):
page = pdf.Pages.get_Item(i)
extractor = PdfTextExtractor(page)
options = PdfTextExtractOptions()
options.IsExtractAllText = True# 提取全部文本（忽略表格/图片区域）
text = extractor.ExtractText(options)
print(f"--- 第 {i+1} 页文本 ---")
print(text)
print("\n")
pdf.Close()
extract_text_from_pdf("sample.pdf", end_page=2)
## 提取 PDF 中的图片
使用 PdfImageHelper 获取页面中的图片资源，并保存为 PNG 文件。
import os
from spire.pdf import *
def extract_images_from_pdf(pdf_path, output_dir="images"):
if not os.path.exists(output_dir):
os.makedirs(output_dir)
pdf = PdfDocument()
pdf.LoadFromFile(pdf_path)
page_limit = min(pdf.Pages.Count, 10)
image_helper = PdfImageHelper()
for page_index in range(page_limit):
page = pdf.Pages.get_Item(page_index)
images_info = image_helper.GetImagesInfo(page)
for i, img_info in enumerate(images_info):
img_info.Image.Save(f"{output_dir}/page_{page_index}_img_{i}.png")
print(f"已保存: page_{page_index}_img_{i}.png")
pdf.Close()
print(f"图片提取完成，共处理 {page_limit} 页，保存在 {output_dir} 目录下")
extract_images_from_pdf("sample.pdf")
注意：Save() 方法会根据文件名后缀自动确定格式，推荐使用 .png。
## 提取 PDF 中的表格
该库没有直接导出表格为 CSV/Excel 的方法，但可通过 PdfTableExtractor 获取表格结构，再手动解析数据。注意此方法只能识别有明确边框和结构的表格，对扫描表格或复杂排版失效。
from spire.pdf import *
def extract_tables_from_pdf(pdf_path):
pdf = PdfDocument()
pdf.LoadFromFile(pdf_path)
page_limit = min(pdf.Pages.Count, 10)
extractor = PdfTableExtractor(pdf)
for i in range(page_limit):
page = pdf.Pages.get_Item(i)
tables = extractor.ExtractTable(i)
if tables:
print(f"第 {i+1} 页发现 {len(tables)} 个表格")
for t_idx, table in enumerate(tables):
print(f"表格 {t_idx+1}:")
rows = table.GetRowCount()
cols = table.GetColumnCount()
print(f"行数: {rows}, 列数: {cols}")
if rows > 0:
header =
print(f"表头: {header}")
for r in range(min(rows, 4)):
row_data =
print(f"第{r+1}行: {row_data}")
else:
print(f"第 {i+1} 页未发现表格")
pdf.Close()
extract_tables_from_pdf("sample.pdf")
## 注意事项
- 免费版每次只能处理 PDF 前 10 页，超出部分将被忽略。
- 文本提取依赖 PDF 内嵌的文本层，扫描件需配合 OCR 工具。
- 表格提取仅适用于有清晰边框的表格结构。
- 图片保存为 PNG 格式，无压缩损失。
掌握以上方法后，可轻松实现 PDF 文档的自动化数据提取，为文档分析、批量内容采集等场景提供基础支撑。实际使用时可根据需求选择合适的提取策略，并注意免费版的页数限制。
Re: Python使用Spire.PDF库提取PDF文本、图片和表格的实践
谢谢分享！这个库的用法介绍得很清楚，特别是代码示例直接可以跑，对新手很友好。我也用过 Free Spire.PDF，确实方便，但免费版 10 页限制有时不够用，不知道有没有什么变通方法，比如分章节多次提取？另外提取图片那部分，保存为 PNG 挺实用，不过如果 PDF 里图片很多，生成的命名可能容易重名，能不能像表格那样按页和索引来区分？期待后续能补充一些处理扫描件或复杂排版表格的技巧，谢谢！Re: Python使用Spire.PDF库提取PDF文本、图片和表格的实践
楼主分享的教程很实用，尤其是分步骤说明了文本、图片和表格的提取方法，对于刚接触PDF解析的新手来说非常友好。我有个小疑问：免费版每次最多处理10页，如果要处理超过10页的PDF文件，通常怎么绕过这个限制？比如循环读取文件的不同部分，或者有其他库能配合分段处理吗？另外，Spire.PDF的表格提取对没有明显边框的PDF效果如何？自己有试过，有时结构会乱掉，不知有没有优化技巧。感谢楼主的实践分享！Re: Python使用Spire.PDF库提取PDF文本、图片和表格的实践
感谢分享！写得非常清晰，步骤也很完整。我之前用过PyMuPDF处理PDF，Spire.PDF倒是第一次看到，免费版10页的限制对大部分单次提取应该够用了，批量处理的话可能得注意循环调用或考虑付费版。表格提取那块比较麻烦，很多库都只能处理规则表格，楼主的提醒很到位。整体来说是个很实用的入门教程，收藏了！
页:
[1]