### 如何从PDF文件中提取文本 在Python中，可以从PDF文件中提取文本内容，主要依赖于一些专门用于处理PDF的第三方库。以下是两种常用方法及其对应的示例代码。 #### 方法一：使用 `PyPDF2` 提取文本 `PyPDF2` 是一个功能强大的库，能够读取并操作 PDF 文件。通过此库可以轻松实现从 PDF 中提取纯文本的功能[^2]。 ```python import PyPDF2 def extract_text_from_pdf(file_path): with open(file_path, 'rb') as file: reader = PyPDF2.PdfReader(file) text = "" for page_num in range(len(reader.pages)): page = reader.pages[page_num] text += page.extract_text() return text file_path = "example.pdf" text_content = extract_text_from_pdf(file_path) print(text_content) ``` 上述代码会逐页读取指定路径下的 PDF 文件，并将其每一页中的文本内容拼接成字符串返回。 --- #### 方法二：使用 `pdfminer.six` 提取带坐标的文本 如果不仅需要提取文本本身，还需要获取其位置信息，则推荐使用 `pdfminer.six` 库。它可以更精细地控制布局分析参数 (LAParams)，从而获得每个文本块的位置数据[^3]。 ```python from pdfminer.high_level import extract_pages from pdfminer.layout import LTTextContainer def extract_text_with_coordinates(pdf_path): layout_params = None # 或者自定义 LAParams 参数 result = [] for page_layout in extract_pages(pdf_path, laparams=layout_params): for element in page_layout: if isinstance(element, LTTextContainer): bbox = element.bbox # 获取边界框坐标 (x0, y0, x1, y1) text = element.get_text().strip() # 去除多余空白字符 if text: # 排除非空文本 result.append({ "text": text, "bbox": bbox }) return result pdf_file = "example.pdf" texts_and_coords = extract_text_with_coordinates(pdf_file) for item in texts_and_coords[:5]: # 打印前五个文本块的信息 print(f"Text: {item['text']}, Coordinates: {item['bbox']}") ``` 这段代码利用了 `extract_pages()` 函数来遍历 PDF 的每一页面以及其中所有的元素。当遇到属于 `LTTextContainer` 类型的对象时，记录下它的文本内容和边界框坐标。 --- #### 总结 以上介绍了两种不同的方式来进行 PDF 文本提取工作。如果是简单的全文检索需求，那么可以直接采用 `PyPDF2`；而针对更加复杂的场景比如定位特定区域内的文字或者绘制高亮标记等应用场合，则更适合选用支持高级特性的 `pdfminer.six` 工具集[^1][^2]。