Python从PDF中提取文本的方法效率总结

 更新时间:2023年09月15日 09:31:46   作者:一口神探  
日常工作中我们经常会用到pdf格式的文件,大多数情况下是浏览或者编辑pdf信息,但有时候需要提取pdf中的文本,这篇文章主要给大家总结介绍了关于Python从PDF中提取文本的方法效率,需要的朋友可以参考下

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。

总结

到此这篇关于Python从PDF中提取文本的方法效率的文章就介绍到这了,更多相关Python从PDF提取文本内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • python SSH模块登录,远程机执行shell命令实例解析

    python SSH模块登录,远程机执行shell命令实例解析

    这篇文章主要介绍了python SSH模块登录,远程机执行shell命令实例解析,具有一定借鉴价值,需要的朋友可以参考下
    2018-01-01
  • Python如何读写CSV文件

    Python如何读写CSV文件

    这篇文章主要介绍了Python如何读写CSV文件,帮助大家更好的理解和学习python,感兴趣的朋友可以了解下
    2020-08-08
  • Python递归遍历列表及输出的实现方法

    Python递归遍历列表及输出的实现方法

    这篇文章主要介绍了Python递归遍历列表及输出的实现方法,可实现递归遍历列表中的每一项,若是元祖则判断是否为基本类型然后输出,需要的朋友可以参考下
    2015-05-05
  • 基于PyQT5制作一个二维码生成器

    基于PyQT5制作一个二维码生成器

    这篇文章主要介绍了利用PyQT5制作一个简单的二维码生成器,并打包成exe可执行程序。文中的示例代码讲解详细,感兴趣的同学可以了解一下
    2021-12-12
  • pytorch梯度剪裁方式

    pytorch梯度剪裁方式

    今天小编就为大家分享一篇pytorch梯度剪裁方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2020-02-02
  • Python批量查找包含多个关键词的PDF文件

    Python批量查找包含多个关键词的PDF文件

    在信息爆炸的时代,数据管理变得愈发重要,本文主要为大家介绍了如何通过Python批量查找包含多个关键词的PDF文件,希望对大家有所帮助
    2024-11-11
  • 用python实现PDF解密打印文件

    用python实现PDF解密打印文件

    大家好,本篇文章主要讲的是用python实现PDF解密打印文件,感兴趣的同学赶快来看一看吧,对你有帮助的话记得收藏一下
    2022-02-02
  • Python中创建包和增添包的路径(sys.path.append())

    Python中创建包和增添包的路径(sys.path.append())

    本文主要介绍了Python中创建包和增添包的路径(sys.path.append()),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2025-01-01
  • 在Django同1个页面中的多表单处理详解

    在Django同1个页面中的多表单处理详解

    这篇文章主要给大家介绍了在Django同1个页面中的多表单处理的相关资料,文章先给大家介绍了如何快速上手Django实现项目的方法,方便让大家理解和学习,需要的朋友可以参考借鉴,下面来一起看看吧。
    2017-01-01
  • python爬虫中的url下载器用法详解

    python爬虫中的url下载器用法详解

    在本篇内容里小编给各位整理的是一篇关于python爬虫中的url下载器用法详解内容,需要的朋友们参考下。
    2020-11-11

最新评论