通过Python将PDF转为文本，快速提取PDF中的文字

以你之姓@ 2024-05-01 02:50 120阅读 0赞

快速高效地从PDF文档中提取信息对于专业人士来说非常重要。处理大量PDF文件时，将PDF转换为可编辑的文本格式可以节省时间和精力。而强大的Python语言正是在这些方面发挥其作用。利用Python中丰富的API，我们可以轻松**在Python程序中将PDF转换为文本（txt文件）**，实现PDF文字的轻松提取。

本文将展示如何使用Python进行PDF到文本的转换，发挥Python在PDF文件处理中的作用。本文包括以下主题：

#### 文章目录 ####

*   *  使用Python转换PDF为文本的步骤
     *  Python将PDF转换为文本但不保留布局
     *  Python将PDF转换为文本并保留布局
     *  Python将指定的PDF页面区域转换为文本
     *   *  总结

本文所使用的转换方法需要用到[Spire.Doc for Python][]，可从官网下载或通过PyPI安装：`pip install Spire.Doc`

### 使用Python转换PDF为文本的步骤 ###

在我们开始使用Python将PDF转换为文本之前，让我们先了解一下转换可以为我们提供的主要优势：

*  可编辑：将PDF转换为文本使文档操作者能够更轻松地编辑文档，文本文件可以在大多数设备上打开和编辑。
 *  可访问性：与PDF相比，文本文件通常更易于访问。无论是电脑还是移动设备，都可以轻松地查看文本文件。
 *  与其他应用程序的集成及数据共享：文本文件可以无缝地集成到各种应用程序和工作流程中，实现数据在程序之间的共享。

使用Python将PDF文档转换为文本文件的步骤：

1.  导入模块。
2.  创建**PdfDocument**类的对象，并使用 **LoadFromFile()** 方法加载PDF文件。
3.  创建**PdfTextExtractOptions**类的对象，并设置文本提取选项，包括提取所有文本、显示隐藏文本、仅提取指定区域的文本以及简单提取。
4.  使用 **PdfDocument.Pages.get\_Item()** 方法获取文档中的页面，并基于每个页面创建 **PdfTextExtractor** 对象，使用 **Extract()** 方法提取页面上的文本，并指定选项。
5.  将提取的文本保存为文本文件，并关闭 **PdfDocument** 对象。

### Python将PDF转换为文本但不保留布局 ###

当使用简单提取方法从PDF中提取文本时，程序将不保留空白区域，并跟踪每个字符串的当前Y位置，如果Y位置发生变化，就在输出结果中插入换行符。

from spire.pdf import PdfDocument
    from spire.pdf import PdfTextExtractOptions
    from spire.pdf import PdfTextExtractor
    
    # 创建PdfDocument类的对象并加载PDF文件
    pdf = PdfDocument()
    pdf.LoadFromFile("示例.pdf")
    
    # 创建一个字符串对象来存储文本
    extracted_text = ""
    
    # 创建PdfExtractor对象
    extract_options = PdfTextExtractOptions()
    # 设置使用简单提取方法
    extract_options.IsSimpleExtraction = True
    
    # 循环遍历文档中的页面
    for i in range(pdf.Pages.Count):
        # 获取页面
        page = pdf.Pages.get_Item(i)
        # 创建PdfTextExtractor对象，并将页面作为参数传递
        text_extractor = PdfTextExtractor(page)
        # 从页面中提取文本
        text = text_extractor.ExtractText(extract_options)
        # 将提取的文本添加到字符串对象中
        extracted_text += text
    
    # 将提取的文本写入文本文件
    with open("output/PDF转文本.txt", "w") as file:
        file.write(extracted_text)
    pdf.Close()

**原文档**  
![PDF转文本][PDF]

**输出的文本文件**\*  
![PDF转TXT][PDF_TXT]

### Python将PDF转换为文本并保留布局 ###

当使用默认提取方法从PDF中提取文本时，程序将逐行提取文本，包括空白。

from spire.pdf import PdfDocument
    from spire.pdf import PdfTextExtractOptions
    from spire.pdf import PdfTextExtractor
    
    # 创建PdfDocument类的对象并加载PDF文件
    pdf = PdfDocument()
    pdf.LoadFromFile("示例.pdf")
    
    # 创建一个字符串对象来存储文本
    extracted_text = ""
    
    # 创建PdfExtractor对象
    extract_options = PdfTextExtractOptions()
    
    # 循环遍历文档中的页面
    for i in range(pdf.Pages.Count):
        # 获取页面
        page = pdf.Pages.get_Item(i)
        # 创建PdfTextExtractor对象，并将页面作为参数传递
        text_extractor = PdfTextExtractor(page)
        # 从页面中提取文本
        text = text_extractor.ExtractText(extract_options)
        # 将提取的文本添加到字符串对象中
        extracted_text += text
    
    # 将提取的文本写入文本文件
    with open("output/提取的文本（保留排版）.txt", "w") as file:
        file.write(extracted_text)
    pdf.Close()

**输出的文本文件**  
![PDF转文本保留布局][PDF 1]

### Python将指定的PDF页面区域转换为文本 ###

from spire.pdf import PdfDocument
    from spire.pdf import PdfTextExtractOptions
    from spire.pdf import PdfTextExtractor
    from spire.pdf import RectangleF
    
    # 创建PdfDocument类的对象并加载PDF文件
    pdf = PdfDocument()
    pdf.LoadFromFile("示例.pdf")
    
    # 创建PdfExtractor对象
    extract_options = PdfTextExtractOptions()
    
    # 设置提取特定页面区域
    extract_options.ExtractArea = RectangleF(50.0, 220.0, 700.0, 230.0)
    
    # 获取页面
    page = pdf.Pages.get_Item(0)
    
    # 创建PdfTextExtractor对象，并将页面作为参数传递
    text_extractor = PdfTextExtractor(page)
    
    # 从页面中提取文本
    extracted_text = text_extractor.ExtractText(extract_options)
    
    # 将提取的文本写入文本文件
    with open("output/PDF页面区域转文本.txt", "w") as file:
        file.write(extracted_text)
    pdf.Close()

**输出的文本文件**  
![提取PDF页面区域文字][PDF 2]

#### 总结 ####

在本文中，我们探讨了Python在PDF转文本中的应用。参照文中的操作步骤及代码示例，我们可以在Python程序中实现快速的PDF到文本的转换。如果在使用Spire.PDF for Python的过程中遇到任何问题，可以通过[Spire产品论坛][Spire]获取技术支持。

[Spire.Doc for Python]: https://www.e-iceblue.cn/Downloads/Spire-Doc-Python.html
[PDF]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/523ca43bdac842bcaa07c9746dd0dadb.png
[PDF_TXT]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/59f2d1fe674e49b1a89342862e122d95.png
[PDF 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/cf66d231acda4092a8cae3183a485987.png
[PDF 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/647074a3431b4616b994dfaf15984683.png
[Spire]: https://www.e-iceblue.com/forum/forum-f16.html