用Python从PDF里抽取文本的需求并不少见，比如自动化处理电子发票、批量归档合同、分析学术论文或解析政府公开文件。PDF格式的特殊之处在于，它既可能包含可直接读取的文本层，也可能只是扫描图片的集合。不同情况需要选择不同的库和处理流程，否则很容易遇到输出为空、中文乱码或顺序混乱的问题。本文按照从易到难的顺序，介绍几种稳定可行的提取方案，并给出可以直接运行的代码。
一、先分清PDF的文本层和图像层
在开始写代码之前，有必要先搞清楚PDF文件的内部结构。PDF并不是像Word那样直接存储字符流，它把文字、字体信息、位置坐标、图片等内容打包成对象。如果一份PDF由Word或排版软件直接导出，通常会保留文本层，也就是说文字可以被程序直接读取，复制粘贴也能得到正确内容。但如果PDF是扫描仪生成的，或者由图片合成，那么每一页只是一张完整图像，文字并不以字符形式存在，复制时只能选中整块图片而无法得到可编辑文本。
判断方法很直接：用任意PDF阅读器打开文件，尝试用鼠标选中某一段文字。如果能选中单个文字并复制出来，说明有文本层；如果只能框选整个页面或被识别为图片，那就是扫描版。另一种方式是检查文件大小和来源，扫描版通常体积更大。区分这两类场景，能帮助你决定下一步是调用文本提取库，还是先走OCR流程。
二、使用pdfplumber提取常规PDF文本
pdfplumber是目前处理PDF比较顺手的一个库，它基于pdfminer.six构建，对表格、字形坐标和字符位置的解析能力较好。安装命令是pip install pdfplumber。它提供的API很直观，打开一个PDF后遍历页面，每页调用extract_text即可拿到文本。下面是一个最小示例：
import pdfplumber
with pdfplumber.open("sample.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
这段代码会按页输出纯文本内容。如果PDF包含表格，extract_text会把表格内容也混在文本里输出，顺序可能不符合阅读习惯。这时可以使用extract_table方法单独提取表格数据，返回二维列表，再结合pandas处理会更方便。pdfplumber还支持提取单词、字符及其坐标，适合需要精确定位的场景，例如从发票中抓取特定字段。
pdfplumber的缺点是速度一般，对于几百页的大文件逐页解析会比较慢。另外它对复杂多栏排版的文本顺序有时会出现偏差，中文文档虽然大多正常，但遇到竖排文字或特殊字体时需要人工校验结果。如果你的需求只是简单抽取正文，且文件量不大，这个库足够稳定。
三、用PyMuPDF实现高性能提取
如果PDF数量多、页数厚，或者需要同时提取文本、图片和元数据，PyMuPDF（安装包名为PyMuPDF，导入时使用fitz）是更合适的选择。它的底层是MuPDF引擎，速度比纯Python实现的pdfminer系列快很多，而且内存占用更低。基本用法如下：
import fitz
doc = fitz.open("sample.pdf")
for page in doc:
text = page.get_text()
print(text)
PyMuPDF不只是提供整页文本，还能按块、按行、按单词输出。例如page.get_text("dict")会返回包含位置信息的字典结构，这对于还原版面、定位关键词坐标很有用。如果需要提取PDF中的图片，可以使用page.get_images配合doc.extract_image把原始图片保存到本地。
在实际测试中，同样一份300页的混合内容PDF，PyMuPDF提取文本可能只需要一两秒，而pdfplumber可能要几十秒甚至更久。因此做批量处理时优先考虑PyMuPDF。不过它也有自己的局限：对某些使用了未嵌入字体或者特殊编码的PDF，可能会输出空白或乱码，这时需要结合其他库交叉验证。
四、扫描版PDF的OCR处理方案
前面提到，扫描版PDF没有文本层，直接使用pdfplumber或PyMuPDF只能得到空字符串或零散乱码。面对这种情况，需要先把每一页渲染成图片，再借助OCR引擎识别文字。Python中常见的组合是pdf2image加pytesseract。pdf2image负责调用poppler将PDF逐页转成PNG或JPEG，pytesseract则调用本地的Tesseract OCR完成识别。
安装这部分依赖比纯Python库稍麻烦：除了pip安装pdf2image和pytesseract，还需要在系统里安装poppler和Tesseract可执行文件。以Windows为例，下载poppler后需要把bin目录加入PATH，Tesseract安装后也要配置路径或指定tesseract_cmd。下面是一个处理流程示例：
from pdf2image import convert_from_path
import pytesseract
pages = convert_from_path("scan.pdf", dpi=300)
for idx, img in enumerate(pages):
text = pytesseract.image_to_string(img, lang="chi_sim+eng")
print(f"第{idx+1}页：\n{text}")
dpi设置成300能在清晰度和处理时间之间取得平衡，太低会导致识别率下降，太高则图片文件过大、OCR变慢。lang参数需要提前下载对应语言包，中文使用chi_sim，英文使用eng，多个语言用加号连接。如果PDF页数很多，还可以先用PyMuPDF把页面转成图片矩阵，再交给OCR，避免反复调用外部转换工具。
OCR的准确率受扫描质量、字体大小、背景噪声影响较大。对于表格和复杂版面的扫描件，Tesseract可能无法还原原有结构，可以考虑使用商业OCR接口或专门的文档解析服务。但对普通纯文字扫描件，上述方案已经能满足搜索、归档和基础抽取需求。
五、避坑要点与选型建议
在实际项目中，有几个容易忽略的问题需要提前注意。第一是密码保护，部分PDF打开时需要口令。pdfplumber和PyMuPDF都支持传入password参数，例如fitz.open("file.pdf", password="123456")或pdfplumber.open("file.pdf", password="123456")。如果口令错误会出现异常，记得用try-except包裹。第二是字体与编码问题，某些PDF使用自定义编码或未嵌入字体，提取出来的文本可能是乱码或空白，这时可以尝试用pdfminer.six的底层API做更细粒度的解析，或者调整PDF阅读器的字体映射。
第三是文本顺序和多栏排版。提取出的文本默认按照PDF内部对象顺序输出，不一定符合视觉阅读顺序。如果不做处理，双栏论文的左右栏文字可能交错拼接，导致内容难以理解。pdfplumber通过字符坐标排序可以部分缓解，PyMuPDF的get_text("blocks")也会保留块的位置信息，可以自己实现排序逻辑。
选型上可以遵循一个简单原则：少量普通PDF且需要表格解析时选pdfplumber；大批量或性能敏感时选PyMuPDF；扫描件必须走OCR路线；如果对排版还原要求极高，考虑使用更专业的解析服务或自行基于坐标开发。不要一开始就追求一个库解决所有问题，理解PDF的生成方式和内容结构，比盲目尝试多个库更高效。
PythonPDF文本提取pdfplumber修改时间：2026-09-22 03:45:42