Python 阅读 pdf 中的文本和表格

一、PyPDF2包安装

在Python中安装PyPDF2库，您可以使用pip包管理器。打开您的命令行工具（例如CMD、Terminal或Anaconda Prompt），然后输入以下命令：

pip install PyPDF2

如果您使用的是Python 3，并且系统中同时安装了Python 2，您可能需要使用以下命令以确保为Python 3安装库：

pip3 install PyPDF2

如果您在安装过程中遇到权限问题，可以尝试在命令前添加--user参数，这样会将库安装到用户目录下，而不会影响系统级别的Python环境：

pip install --user PyPDF2

或者，如果您在虚拟环境中工作，确保您已经激活了相应的虚拟环境，然后在虚拟环境中运行上述命令。

如果您使用的是Anaconda环境，也可以通过conda命令来安装PyPDF2：

conda install -c conda-forge pypdf2

注意：conda命令中的包名称是小写的pypdf2。

二、pdfplumber包安装

安装 pdfplumber 库，您可以在命令行中使用以下命令：

pip install pdfplumber

如果您在使用 pip 安装时遇到网络问题，可以尝试使用国内的镜像源，例如：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pdfplumber

或者使用阿里云镜像源：

pip install -i https://mirrors.aliyun.com/pypi/simple/ pdfplumber

安装完成后，您可以在Python脚本中导入 pdfplumber 并使用其功能来提取PDF文件中的文本和表格数据。

在使用 pdfplumber 提取表格时，可能需要安装额外的依赖，如 ImageMagick 和 GhostScript。特别是 ImageMagick，如果您需要使用 to_image 函数进行可视化调试，建议安装6.x版本而非最新的7.x版本。而 GhostScript 需要32位版本，即使您的操作系统和Python是64位的。

三、使用PyPDF2库提取文本

PyPDF2是一个纯Python库，可以用来读取PDF文件并提取文本内容。

安装PyPDF2后，可以按照以下方式使用：

import PyPDF2

with open('example.pdf', 'rb') as file:
    reader = PyPDF2.PdfFileReader(file)
    text = ""
    for page_num in range(reader.numPages):
        page = reader.getPage(page_num)
        text += page.extractText()
print(text)

但请注意，PyPDF2在提取非文本内容（如表格）方面可能效果不佳。

四、使用pdfplumber提取文本和表格

pdfplumber是一个强大的库，可以提取PDF中的文本、表格和其他元素。它在处理表格方面特别有用。

安装pdfplumber后，可以按照以下方式使用：

import pdfplumber

with pdfplumber.open("example.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)

pdfplumber可以提取文本，并能够将表格数据以列表的形式返回，便于进一步处理。