Python PDF 解析入门：提取信息、表格与元数据
1. 环境准备
1.1 安装免费 Python PDF 库
可以通过 pip 直接安装：
pip install Spire.Pdf.Free安装后，在代码中导入所需模块即可：
from spire.pdf import * from spire.pdf.common import *注意：该库的免费版本对处理的 PDF 页数有限制（每次最多 10 页），本文示例均基于免费版的功能范围。
1.2 基本工作流程
使用该库读取 PDF 的一般步骤为：
- 创建
PdfDocument对象。 - 调用
LoadFromFile()方法加载 PDF 文件。 - 通过
Pages集合访问每一页。 - 使用对应提取器（如
PdfTextExtractor、PdfImageHelper）提取内容。 - 关闭文档释放资源。
2. 读取 PDF 基本信息（页数、页面尺寸等）
在提取具体内容前，通常需要先了解文档的元数据。
from spire.pdf import PdfDocument # 加载 PDF 文档 pdf = PdfDocument() pdf.LoadFromFile("sample.pdf") # 获取页数 page_count = pdf.Pages.Count print(f"总页数: {page_count}") # 遍历每一页，获取页面尺寸 for i in range(page_count): page = pdf.Pages.get_Item(i) width = pdf.Size.Width height = page.Size.Height print(f"第 {i+1} 页尺寸: {width} x {height}") pdf.Close()输出示例：
总页数: 5 第 1 页尺寸: 595.0 x 842.0 第 2 页尺寸: 595.0 x 842.0 ...3. 提取 PDF 中的文本
文本提取是最常见的需求。PdfTextExtractor类提供了逐页提取文本的方法。
from spire.pdf import * def extract_text_from_pdf(pdf_path, start_page=1, end_page=None): pdf = PdfDocument() pdf.LoadFromFile(pdf_path) total_pages = pdf.Pages.Count if end_page is None or end_page > total_pages: end_page = total_pages # 免费版最多处理前10页，此处限制输出 end_page = min(end_page, 10) for i in range(start_page - 1, end_page): page = pdf.Pages.get_Item(i) extractor = PdfTextExtractor(page) # 提取文本，可以设置提取参数（如是否保留空白布局） options = PdfTextExtractOptions() options.IsExtractAllText = True # 提取全部文本（忽略表格/图片区域） text = extractor.ExtractText(options) print(f"--- 第 {i+1} 页文本 ---") print(text) print("\n") pdf.Close() extract_text_from_pdf("sample.pdf", end_page=2)说明：如果 PDF 中的文字为扫描图片（无文本层），则无法直接提取，需要配合 OCR 技术（该库不提供 OCR 功能）。
4. 提取 PDF 中的图片
Free Spire.PDF 提供了PdfImageHelper来提取页面中的图片资源。
import os from spire.pdf import * def extract_images_from_pdf(pdf_path, output_dir="images"): """ 提取 PDF 中所有图片并保存到指定文件夹 注意：免费版最多处理前 10 页 """ # 创建输出目录 if not os.path.exists(output_dir): os.makedirs(output_dir) # 加载 PDF 文档 pdf = PdfDocument() pdf.LoadFromFile(pdf_path) # 免费版限制：最多处理前 10 页 page_limit = min(pdf.Pages.Count, 10) # 准备图片提取器 image_helper = PdfImageHelper() # 遍历页面 for page_index in range(page_limit): page = pdf.Pages.get_Item(page_index) images_info = image_helper.GetImagesInfo(page) # 保存当前页的所有图片 for i, img_info in enumerate(images_info): # Image.Save() 方法会根据扩展名自动保存为 PNG 格式 img_info.Image.Save(f"{output_dir}/page_{page_index}_img_{i}.png") print(f"已保存: page_{page_index}_img_{i}.png") pdf.Close() print(f"图片提取完成，共处理 {page_limit} 页，图片保存在 {output_dir} 目录下") # 使用示例 extract_images_from_pdf("sample.pdf")5. 提取 PDF 中的表格
该库未提供直接导出表格为 CSV/Excel 的一键方法，但可以借助PdfTableExtractor获取表格结构，然后手动解析。
from spire.pdf import * def extract_tables_from_pdf(pdf_path): pdf = PdfDocument() pdf.LoadFromFile(pdf_path) # 免费版最多处理前10页 page_limit = min(pdf.Pages.Count, 10) extractor = PdfTableExtractor(pdf) for i in range(page_limit): page = pdf.Pages.get_Item(i) # 提取当前页的所有表格 tables = extractor.ExtractTable(i) if tables: print(f"第 {i+1} 页发现 {len(tables)} 个表格") for t_idx, table in enumerate(tables): print(f" 表格 {t_idx+1}:") rows = table.GetRowCount() cols = table.GetColumnCount() print(f" 行数: {rows}, 列数: {cols}") # 获取表头（第一行） if rows > 0: header = [] for c in range(cols): header.append(table.GetText(0, c)) print(f" 表头: {header}") # 获取前3行数据示例 for r in range(min(rows, 4)): row_data = [] for c in range(cols): row_data.append(table.GetText(r, c)) print(f" 第{r+1}行: {row_data}") else: print(f"第 {i+1} 页未发现表格") pdf.Close() extract_tables_from_pdf("sample.pdf")