Python PDF文本提取转JSON：Spire.PDF与pdfplumber两种实现方式对比

脚本专家

在文档自动化处理中，将PDF文件内容转换为结构化JSON是一项常见需求。Python提供了多个库来实现这一过程，本文基于两种主流方案——Free Spire.PDF for Python 和 pdfplumber，分别演示如何提取文档元信息与逐页文本，并组装为标准的JSON格式。

方案一：使用Free Spire.PDF
首先安装依赖：

2. pip install spire.pdf.free

复制代码

核心步骤如下：

1. 加载PDF并读取文档属性

2. from spire.pdf.common import *
3. from spire.pdf import *
4. import json
6. pdf = PdfDocument()
7. pdf.LoadFromFile("SampleReport.pdf")
8. doc_info = pdf.DocumentInformation
9. metadata = {
10.     "title": doc_info.Title,
11.     "author": doc_info.Author,
12.     "subject": doc_info.Subject,
13.     "keywords": doc_info.Keywords,
14.     "creation_date": doc_info.CreationDate.strftime("%Y-%m-%d %H:%M:%S"),
15.     "modification_date": doc_info.ModificationDate.strftime("%Y-%m-%d %H:%M:%S")
16. }

复制代码

PdfDocument是操作入口，LoadFromFile加载文件，DocumentInformation返回包含作者、标题、日期等元信息的对象。

2. 逐页提取文本

2. pages_data = []
3. page_count = pdf.Pages.Count
4. for i in range(page_count):
5.     page = pdf.Pages[i]
6.     text_extractor = PdfTextExtractor(page)
7.     text_options = PdfTextExtractOptions()
8.     page_text = text_extractor.ExtractText(text_options)
9.     pages_data.append({
10.         "page_number": i + 1,
11.         "content": page_text.strip()
12.     })

复制代码

通过Pages集合遍历每一页，PdfTextExtractor负责提取，PdfTextExtractOptions可配置区域（此处使用默认全页）。ExtractText返回当前页文本。

3. 组装JSON并输出

2. result = {
3.     "document_info": metadata,
4.     "total_pages": page_count,
5.     "pages": pages_data
6. }
7. with open("output/pdf_content.json", "w", encoding="utf-8") as f:
8.     json.dump(result, f, ensure_ascii=False, indent=2)
9. pdf.Close()

复制代码

ensure_ascii=False保证中文正常写入，indent=2使输出可读。最后关闭文档释放资源。

方案二：使用pdfplumber（轻量级，社区活跃）
pdfplumber易于安装且提取效果稳定，适合纯文本场景。

安装：

2. pip install pdfplumber

复制代码

定义转换函数：

2. import json
3. import pdfplumber
4. from pathlib import Path
6. def pdf_to_json(pdf_path, output_path=None, include_metadata=False):
7.     result = {
8.         "source": str(pdf_path),
9.         "pages": []
10.     }
11.     with pdfplumber.open(pdf_path) as pdf:
12.         if include_metadata:
13.             result["metadata"] = pdf.metadata
14.         for i, page in enumerate(pdf.pages, start=1):
15.             text = page.extract_text() or ""
16.             result["pages"].append({
17.                 "page_num": i,
18.                 "text": text.strip()
19.             })
20.     json_output = json.dumps(result, ensure_ascii=False, indent=2)
21.     if output_path:
22.         with open(output_path, "w", encoding="utf-8") as f:
23.             f.write(json_output)
24.         print(f"JSON已保存至{output_path}")
25.     else:
26.         return json_output

复制代码

参数说明：pdf_path为输入文件，output_path指定保存文件（不指定则返回JSON字符串），include_metadata控制是否提取元数据（如标题、作者）。

使用示例：

2. # 返回字符串
3. json_str = pdf_to_json("sample.pdf")
4. print(json_str[:200])
6. # 保存文件，包含元数据
7. pdf_to_json("sample.pdf", output_path="output.json", include_metadata=True)

复制代码

输出JSON结构示例：

2. {
3.   "source": "sample.pdf",
4.   "metadata": {
5.     "Title": "示例文档",
6.     "Author": "张三"
7.   },
8.   "pages": [
9.     {"page_num": 1, "text": "第一页内容\n多行文本"},
10.     {"page_num": 2, "text": "第二页内容..."}
11.   ]
12. }

复制代码

高级扩展：若需按段落或保留位置信息，可调整提取逻辑。例如使用page.extract_words()获取每个文本块及其坐标：

2. blocks = []
3. for word in page.extract_words():
4.     blocks.append({
5.         "text": word["text"],
6.         "x0": word["x0"],
7.         "y0": word["top"],
8.         "font": word.get("fontname")
9.     })

复制代码

但需注意，并非所有PDF都包含字体或位置信息，实际使用时应容错。

方案对比与总结
- Free Spire.PDF 功能全面，支持更多高级操作（如提取图片、表格），但商业使用需注意许可证。
- pdfplumber 轻量、开源，提取文本质量较好，适合纯文本转JSON场景。

两种方案均能实现PDF到JSON的自动化转换，可大幅提升文档归档、数据治理效率。开发者可根据实际需求选择，亦可结合正则表达式清洗文本或嵌套表格数据。以上代码已通过Python 3.8+测试，建议在目标环境中确保库版本兼容。

热心网友2

这篇文章写得非常清晰实用！我之前一直在用 pdfplumber 做简单的提取，没想到 Spire.PDF 还能直接拿文档属性，而且支持配置提取区域，对复杂布局的 PDF 应该会更友好。请问楼主在实际项目中，有没有遇到过两种库在处理中文或扫描件时的性能差异？或者在处理加密/受保护 PDF 时哪一方更方便？谢谢分享！

热心网友2

感谢楼主分享这么详细的对比教程！两种方案从依赖安装到核心代码都写得很清楚，尤其是Spire.PDF那部分，对于需要提取文档元信息的场景很实用；pdfplumber的封装简洁，还支持可选元数据输出，灵活度不错。我之前一直用PyMuPDF做类似任务，但没对比过Spire.PDF，看了你的帖子打算也试试。另外想请教一下，在遇到PDF中表格混合文本时，这两种方案提取顺序或准确性上有没有明显差异？

热心网友2

感谢楼主分享这么详细的对比！正好最近在折腾PDF解析，两种方案都很有参考价值。Spire.PDF 那个元数据提取很完整，适合需要文档属性的场景；pdfplumber 的代码更简洁，而且带可选参数，灵活度不错。想请教一下，实际处理扫描件或者带表格的PDF时，这两种库的区别大吗？还是说都需要结合OCR？