Python使用PDF相关组件案例详解

主要对pdfminer.six、pdfplumber、PyMuPDF、PyPDF2、PyPDF4、pdf2image、camelot-py七个PDF相关组件分别详解，具体使用案例演示

1. pdfminer.six
pdfminer.six 是一个专门用来从 PDF 中提取文本的库，能够处理复杂的文本布局，适合用于文本解析，尤其是需要了解 PDF 页面的结构时。

安装:

pip install pdfminer.six

使用案例:

from pdfminer.high_level import extract_text
try:
    # 提取 PDF 文件的文本
    text = extract_text('example.pdf')
    print(text)
except Exception as e:
    print(f"Error extracting text: {e}")

注意事项:

•	适合于文本内容的提取，特别是有复杂布局的文档。
•	对于表格或图像提取的支持较弱。
•	文本提取时可能会丢失一些排版信息。

异常处理案例:

from pdfminer.high_level import extract_text

def extract_pdf_text(file_path):
    try:
        text = extract_text(file_path)
        return text
    except FileNotFoundError:
        print("The specified file does not exist.")
    except Exception as e:
        print(f"Error: {e}")

# 测试
file_path = 'non_existing_file.pdf'
text = extract_pdf_text(file_path)

2. pdfplumber

pdfplumber 是一个基于 pdfminer.six 的工具，专门用于提取 PDF 中的表格、文本、图像等结构化内容。

安装:

pip install pdfplumber

使用案例:

import pdfplumber

try:
    # 打开 PDF 文件
    with pdfplumber.open("example.pdf") as pdf:
        first_page = pdf.pages[0]
        
        # 提取文本
        text = first_page.extract_text()
        print(text)
        
        # 提取表格
        table = first_page.extract_table()
        for row in table:
            print(row)
except Exception as e:
    print(f"Error processing PDF: {e}")

注意事项:

•	对于 PDF 中的表格提取有较好的支持。
•	解析结构复杂的表格时可能需要进一步的调整和处理。
•	不适用于处理扫描版 PDF。

异常处理案例:

import pdfplumber

def extract_table_from_pdf(file_path):
    try:
        with pdfplumber.open(file_path) as pdf:
            first_page = pdf.pages[0]
            table = first_page.extract_table()
            return table
    except pdfplumber.utils.PDFPlumberException as e:
        print(f"Error in pdfplumber: {e}")
    except Exception as e:
        print(f"Error: {e}")

# 测试
table = extract_table_from_pdf('non_existing_file.pdf')

3. PyMuPDF (fitz)

PyMuPDF 是一个强大的 PDF、XPS、EPUB 等格式的文档处理库，支持提取文本、图像和页面渲染等多种功能。

安装:

pip install PyMuPDF

使用案例:

import fitz  # PyMuPDF 的别名

try:
    # 打开 PDF 文件
    doc = fitz.open("example.pdf")
    
    # 提取文本
    for page in doc:
        text = page.get_text()
        print(text)
    
    # 提取图像
    for page in doc:
        images = page.get_images(full=True)
        for img in images:
            print(img)
except Exception as e:
    print(f"Error processing PDF: {e}")

注意事项:

•	可以提取文本、图像、并进行页面渲染。
•	对于扫描版 PDF，可以通过 OCR 结合其他工具进行文本提取。
•	需要安装 pillow 来处理图像。

异常处理案例:

import fitz

def extract_text_from_pdf(file_path):
    try:
        doc = fitz.open(file_path)
        text = ""
        for page in doc:
            text += page.get_text()
        return text
    except Exception as e:
        print(f"Error: {e}")
        return None

# 测试
text = extract_text_from_pdf('non_existing_file.pdf')

4. PyPDF2

PyPDF2 是一个用于 PDF 文档操作的库，支持 PDF 文件的合并、拆分、旋转、裁剪等。

安装:

pip install PyPDF2

使用案例:

from PyPDF2 import PdfReader, PdfWriter

try:
    # 读取 PDF 文件
    reader = PdfReader('example.pdf')
    writer = PdfWriter()

    # 提取第一页的文本
    page = reader.pages[0]
    print(page.extract_text())

    # 合并 PDF 文件
    writer.add_page(reader.pages[0])
    with open('output.pdf', 'wb') as output_pdf:
        writer.write(output_pdf)
except Exception as e:
    print(f"Error processing PDF: {e}")

注意事项:

•	适合于 PDF 的合并、拆分、旋转、裁剪等操作。
•	不支持图像或表格提取。
•	对于扫描版 PDF，提取文本效果不佳。

异常处理案例:

from PyPDF2 import PdfReader

def merge_pdfs(input_files, output_file):
    try:
        writer = PdfWriter()
        for file in input_files:
            reader = PdfReader(file)
            for page in reader.pages:
                writer.add_page(page)
        with open(output_file, 'wb') as output:
            writer.write(output)
    except FileNotFoundError as e:
        print(f"Error: {e}")
    except Exception as e:
        print(f"Error: {e}")

# 测试
merge_pdfs(['non_existing_file.pdf'], 'merged.pdf')

5. PyPDF4

PyPDF4 是 PyPDF2 的分支，提供了更好的功能，特别是对于处理加密的 PDF 文件。

安装:

pip install PyPDF4

使用案例:

import PyPDF4

try:
    # 读取 PDF 文件
    with open('example.pdf', 'rb') as f:
        reader = PyPDF4.PdfReader(f)
        writer = PyPDF4.PdfWriter()

        # 提取第一页的文本
        page = reader.pages[0]
        print(page.extract_text())

        # 合并多个文件
        writer.add_page(reader.pages[0])
        with open('output.pdf', 'wb') as output_f:
            writer.write(output_f)
except Exception as e:
    print(f"Error processing PDF: {e}")

注意事项:

•	功能与 PyPDF2 类似，改进了处理加密文件的能力。
•	不支持表格或图像提取。

异常处理案例:

import PyPDF4

def split_pdf(input_pdf, output_pdf):
    try:
        with open(input_pdf, 'rb') as in_file:
            reader = PyPDF4.PdfReader(in_file)
            writer = PyPDF4.PdfWriter()
            writer.add_page(reader.pages[0])  # 只提取第一页
            with open(output_pdf, 'wb') as out_file:
                writer.write(out_file)
    except Exception as e:
        print(f"Error: {e}")

# 测试
split_pdf('non_existing_file.pdf', 'output.pdf')

6. pdf2image

pdf2image 可以将 PDF 页面转换为图像，适用于需要将 PDF 页面呈现为图像的情况。

安装:

pip install pdf2image

使用案例:

from pdf2image import convert_from_path

try:
    # 将 PDF 页面转换为图像
    images = convert_from_path('example.pdf')

    # 保存为图像文件
    for i, image in enumerate(images):
        image.save(f'page_{i+1}.png', 'PNG')
except Exception as e:
    print(f"Error converting PDF to image: {e}")

注意事项:

•	适合将 PDF 页面转换为图像文件（如 PNG、JPEG）。
•	需要额外安装 poppler-utils。
•	高质量转换可能会导致内存占用较大。

异常处理案例:

from pdf2image import convert_from_path

def convert_pdf_to_images(file_path):
    try:
        images = convert_from_path(file_path)
        return images
    except Exception as e:
        print(f"Error: {e}")
        return []

# 测试
images = convert_pdf_to_images('non_existing_file.pdf')

7. camelot-py

camelot-py 是一个专门用来提取 PDF 中表格数据的库，能够很好地处理带有表格的 PDF 文件。

安装:

pip install camelot-py[cv]

使用案例:

import camelot

try:
    # 提取 PDF 文件中的表格
    tables = camelot.read_pdf('example.pdf', pages='1')

    # 显示第一张表格
    print(tables[0].df)
except Exception as e:
    print(f"Error extracting table: {e}")

注意事项:

•	适合用于表格提取，尤其是结构清晰的表格。
•	对于复杂或不规则的表格，需要调整模式（lattice 或 stream）。

异常处理案例:

import camelot

def extract_table_from_pdf(file_path):
    try:
        tables = camelot.read_pdf(file_path, pages='1')
        return tables[0].df
    except camelot.utils.PDFPageCountError as e:
        print(f"Page count error: {e}")
    except Exception as e:
        print(f"Error: {e}")
        return None

# 测试
table = extract_table_from_pdf('non_existing_file.pdf')

总结

•	文本提取: 使用 pdfminer.six 或 PyMuPDF。
•	表格提取: pdfplumber 和 camelot-py 适合表格提取。
•	PDF 操作: PyPDF2 和 PyPDF4 适用于合并、拆分、裁剪等。
•	图像转换: 使用 pdf2image 来将 PDF 转为图像。

对于每个组件库，异常处理能够帮助应对文件不存在、格式错误等常见问题。