Python--从PDF中提取文本的方法总结

前言

这段时间做了好几个关于年报的需求，其中无一例外需要从年报PDF中提取文本再进行下一步的操作。为了提高效率，对比分析了python中各种可以实现此功能的方法效率。

一、pdfplumber

简介：

• 可以为pdf文件插入文本字符、矩形和行的详细信息
• 对于非扫描格式pdf解析效果最佳
• 基于pdfminer.six构建
• 代码简洁，易于理解

安装：

pip install pdfplumber

示例：

import pdfplumber

def pdf2txt(pdf_path):
    txt = ''
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            txt = txt + page.extract_text()
    return txt

二、pdfminer

简介：

• 可以获取文本的提取位置以及其他布局信息
• 可将pdf转换为其他格式(HTML/XML)
• 支持基本的加密方式(RC4 and AES)

安装:

pip install pdfminer

示例：

from pdfminer.converter import TextConverter
from pdfminer.pdfdocument import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage

def parsePDF(PDF_path):
    resource_manager = PDFResourceManager()
    fake_file_handle = io.StringIO()
    converter = TextConverter(resource_manager,fake_file_handle)
    page_interpreter = PDFPageInterpreter(resource_manager,converter)
    with open(PDF_path,'rb') as fh:
        for page in PDFPage.get_pages(fh,caching=True,check_extractable=True):
            page_interpreter.process_page(page)
        text = fake_file_handle.getvalue()
    converter.close()
    fake_file_handle.close()
    if text:
        return text

三、fitz / pymupdf

简介：

• 支持多种格式
• 可以提取文字和图像
• 搜索文本

安装：

直接安装fitz会出现较多问题，建议安装pymupdf

pip install pymupdf

示例：

import fitz

def parsePDF(filePath):
    with fitz.open(filePath) as doc:
        text = ""
        for page in doc.pages():
            text += page.get_text()
        if text:
            return text

官方示例：

https://github.com/pymupdf/PyMuPDF/tree/master/tests

四、性能对比

使用以上三种方法对同一个PDF进行文本提取，分别记录提取文本结果的长度和运行时间，结果如下：

fitz提取出的文本长度不仅更长，耗时更是快了不止10倍！

可以说fitz在提取文本的性能方面完爆其他库，但是却很少有文章介绍这个库，有点奇怪。

下一篇文章将对比三种方法提取的文本精度，欢迎关注~