Python使用Spire.PDF库提取PDF文本、图片和表格的实践

脚本专家

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：

2. pip install Spire.Pdf.Free

复制代码

安装后在脚本中导入核心模块：

2. from spire.pdf import *
3. from spire.pdf.common import *

复制代码

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。

2. from spire.pdf import PdfDocument
4. pdf = PdfDocument()
5. pdf.LoadFromFile("sample.pdf")
7. page_count = pdf.Pages.Count
8. print(f"总页数: {page_count}")
10. for i in range(page_count):
11.     page = pdf.Pages.get_Item(i)
12.     width = page.Size.Width
13.     height = page.Size.Height
14.     print(f"第 {i+1} 页尺寸: {width} x {height}")
16. pdf.Close()

复制代码

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。

2. from spire.pdf import *
4. def extract_text_from_pdf(pdf_path, start_page=1, end_page=None):
5.     pdf = PdfDocument()
6.     pdf.LoadFromFile(pdf_path)
7.     total_pages = pdf.Pages.Count
8.     if end_page is None or end_page > total_pages:
9.         end_page = total_pages
10.     # 免费版限制最多处理前10页
11.     end_page = min(end_page, 10)
12.     for i in range(start_page - 1, end_page):
13.         page = pdf.Pages.get_Item(i)
14.         extractor = PdfTextExtractor(page)
15.         options = PdfTextExtractOptions()
16.         options.IsExtractAllText = True  # 提取全部文本（忽略表格/图片区域）
17.         text = extractor.ExtractText(options)
18.         print(f"--- 第 {i+1} 页文本 ---")
19.         print(text)
20.         print("\n")
21.     pdf.Close()
23. extract_text_from_pdf("sample.pdf", end_page=2)

复制代码

## 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。

2. import os
3. from spire.pdf import *
5. def extract_images_from_pdf(pdf_path, output_dir="images"):
6.     if not os.path.exists(output_dir):
7.         os.makedirs(output_dir)
8.     pdf = PdfDocument()
9.     pdf.LoadFromFile(pdf_path)
10.     page_limit = min(pdf.Pages.Count, 10)
11.     image_helper = PdfImageHelper()
12.     for page_index in range(page_limit):
13.         page = pdf.Pages.get_Item(page_index)
14.         images_info = image_helper.GetImagesInfo(page)
15.         for i, img_info in enumerate(images_info):
16.             img_info.Image.Save(f"{output_dir}/page_{page_index}_img_{i}.png")
17.             print(f"已保存: page_{page_index}_img_{i}.png")
18.     pdf.Close()
19.     print(f"图片提取完成，共处理 {page_limit} 页，保存在 {output_dir} 目录下")
21. extract_images_from_pdf("sample.pdf")

复制代码

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。

2. from spire.pdf import *
4. def extract_tables_from_pdf(pdf_path):
5.     pdf = PdfDocument()
6.     pdf.LoadFromFile(pdf_path)
7.     page_limit = min(pdf.Pages.Count, 10)
8.     extractor = PdfTableExtractor(pdf)
9.     for i in range(page_limit):
10.         page = pdf.Pages.get_Item(i)
11.         tables = extractor.ExtractTable(i)
12.         if tables:
13.             print(f"第 {i+1} 页发现 {len(tables)} 个表格")
14.             for t_idx, table in enumerate(tables):
15.                 print(f"  表格 {t_idx+1}:")
16.                 rows = table.GetRowCount()
17.                 cols = table.GetColumnCount()
18.                 print(f"  行数: {rows}, 列数: {cols}")
19.                 if rows > 0:
20.                     header = [table.GetText(0, c) for c in range(cols)]
21.                     print(f"  表头: {header}")
22.                 for r in range(min(rows, 4)):
23.                     row_data = [table.GetText(r, c) for c in range(cols)]
24.                     print(f"  第{r+1}行: {row_data}")
25.         else:
26.             print(f"第 {i+1} 页未发现表格")
27.     pdf.Close()
29. extract_tables_from_pdf("sample.pdf")

复制代码

## 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。

热心网友6

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！