### 使用 Python 解析 PDF 文件 Python 中有多种方法可以用来解析 PDF 文件，以下是几种常用的方式及其具体实现： #### 方法一：使用 `pdfminer` 库 `pdfminer` 是一个功能强大的库，能够解析 PDF 并提取其中的内容。它还提供了处理复杂文档结构的能力。 ```python from pdfminer.pdfparser import PDFParser from pdfminer.pdfdocument import PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import TextConverter from pdfminer.layout import LAParams from pdfminer.pdfpage import PDFPage import io def extract_text_with_pdfminer(pdf_path): resource_manager = PDFResourceManager() fake_file_handle = io.StringIO() converter = TextConverter(resource_manager, fake_file_handle, laparams=LAParams()) page_interpreter = PDFPageInterpreter(resource_manager, converter) with open(pdf_path, 'rb') as fh: parser = PDFParser(fh) document = PDFDocument(parser) for page in PDFPage.create_pages(document): page_interpreter.process_page(page) text = fake_file_handle.getvalue() # 清理资源 converter.close() fake_file_handle.close() return text # 调用函数 result = extract_text_with_pdfminer('example.pdf') print(result) ``` 这种方法适用于大多数简单的 PDF 文件，但对于复杂的布局可能需要额外配置[^1]。 --- #### 方法二：解决中文乱码问题 当遇到包含中文字符的 PDF 文件时，可能会出现乱码现象。通过调整编码设置和字体映射表，可以有效解决问题。 ```python from pdfminer.high_level import extract_text def extract_chinese_text(pdf_path): try: text = extract_text(pdf_path) return text except Exception as e: print(f"Error occurred: {e}") return None # 调用函数 chinese_result = extract_chinese_text('example_with_chinese.pdf') if chinese_result is not None: print(chinese_result) else: print("Failed to extract Chinese characters.") ``` 此代码片段利用了 `extract_text()` 函数来简化文本提取过程，并能较好地兼容中文内容[^2][^3]。 --- #### 方法三：使用 `pdfplumber` 进行更精细控制 如果需要对页面内的表格、图片或其他元素进行精确操作，推荐使用 `pdfplumber`。它可以轻松获取每一页的具体数据。 ```python import pdfplumber def extract_text_and_tables(pdf_path): extracted_data = [] with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages): text = page.extract_text() tables = page.extract_tables() if text: extracted_data.append({"page": i + 1, "text": text}) if tables: for table in tables: extracted_data.append({"page": i + 1, "table": table}) return extracted_data # 调用函数 data = extract_text_and_tables('complex_example.pdf') for item in data: if "text" in item: print(item["text"]) elif "table" in item: print(item["table"]) ``` 这段代码展示了如何同时提取文字和表格信息，适合于分析带有结构化数据的 PDF 文件[^4]。 --- ### 总结 以上介绍了三种不同的方式来解析 PDF 文件，分别是基于 `pdfminer` 的基础解析、针对中文乱码优化后的解决方案以及借助 `pdfplumber` 实现高级功能的操作。开发者可以根据实际需求选择合适的工具和技术路径。