Python PDF解析入门：用Free Spire.PDF提取文本、表格与元数据

脚本专家

在日常办公和数据处理中，PDF文档的编程式读取是一个常见需求。借助Python第三方库Free Spire.PDF for Python，我们可以自动化提取PDF中的文本、图片、表格以及文档元数据，从而支撑文档解析、数据采集等场景。本文将从环境准备开始，逐步演示该库的核心用法，并说明免费版本的限制（每次最多处理10页）。

一、环境准备与基本工作流

首先通过pip安装免费库：

2. pip install Spire.Pdf.Free

复制代码

安装后在代码中导入所需模块：

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

复制代码

该库的基本工作流程如下：
1. 创建PdfDocument对象；
2. 调用LoadFromFile()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（如PdfTextExtractor、PdfImageHelper）提取内容；
5. 处理完毕后调用Close()释放资源。

二、读取PDF基本信息（页数、页面尺寸）

提取具体内容前，通常需要先了解文档的元数据。以下代码演示如何获取总页数以及每页的尺寸：

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：

2. 总页数: 5
3. 第 1 页尺寸: 595.0 x 842.0
4. 第 2 页尺寸: 595.0 x 842.0

复制代码

三、提取PDF中的文本

文本提取是最常见的操作，PdfTextExtractor类提供了逐页提取的方法。我们可以指定起始页和结束页，并利用PdfTextExtractOptions控制提取参数（如是否保留空白布局）。注意免费版最多提取前10页：

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.     end_page = min(end_page, 10)  # 免费版限制
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.     pdf.Close()
22. extract_text_from_pdf("sample.pdf", end_page=2)

复制代码

需要特别说明：如果PDF中的文字是扫描图片（无文本层），则无法直接提取，需要借助OCR技术，而该库不提供OCR功能。

四、提取PDF中的图片

图片提取通过PdfImageHelper完成。该库会将每张图片保存为PNG格式，并可指定输出目录。同样受限于免费版的前10页：

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)
9.     pdf = PdfDocument()
10.     pdf.LoadFromFile(pdf_path)
11.     page_limit = min(pdf.Pages.Count, 10)
12.     image_helper = PdfImageHelper()
14.     for page_index in range(page_limit):
15.         page = pdf.Pages.get_Item(page_index)
16.         images_info = image_helper.GetImagesInfo(page)
17.         for i, img_info in enumerate(images_info):
18.             img_info.Image.Save(f"{output_dir}/page_{page_index}_img_{i}.png")
19.             print(f"已保存: page_{page_index}_img_{i}.png")
20.     pdf.Close()
21.     print(f"图片提取完成，共处理 {page_limit} 页，图片保存在 {output_dir} 目录下")
23. extract_images_from_pdf("sample.pdf")

复制代码

五、提取PDF中的表格

表格提取稍微复杂一些，该库没有提供直接导出CSV/Excel的方法，但可以通过PdfTableExtractor获取表格结构数据，然后手动解析。注意，PdfTableExtractor只能识别有明确边框和结构的表格，对于扫描表格或复杂排版可能失败：

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

复制代码

六、总结

通过上述方法，我们可以用Python实现对PDF文档的全面读取，涵盖基本信息、文本、图片和表格数据获取。这些能力为文档自动化处理、数据采集和内容分析提供了基础支撑。实际使用时需注意免费版10页的限制，若需处理完整文档可考虑付费版本或类似开源方案。根据具体需求选择合适的提取方式，即可高效完成PDF的编程式解析任务。

热心网友5

很实用的入门教程，感谢分享！尤其注意到免费版10页的限制和表格提取的适用条件，这些细节对实际选型很有帮助。请问如果PDF是扫描件，除了使用其他OCR库，这个库本身有没有办法识别带文本层的图片型PDF？另外提取表格时，对于没有明显边框的表格，您有没有尝试过其他辅助提取的方法？