### Python 中用于将 PDF 转换为 TXT 的模块 在 Python 生态中，有多个模块可用于将 PDF 文件转换为纯文本文件。以下是几个常用的模块及其特点： #### 1. **PyPDF2** `PyPDF2` 是一个强大的库，能够读取和操作 PDF 文档。它支持从 PDF 文件中提取文本、分割页面以及合并文档等功能。然而需要注意的是，最新版本的 `PyPDF2` 已经发生了较大改动[^1]。 - 提取文本示例： ```python import PyPDF2 with open('example.pdf', 'rb') as file: reader = PyPDF2.PdfReader(file) text = "" for page in reader.pages: text += page.extract_text() print(text) ``` 尽管如此，某些加密或复杂布局的 PDF 可能无法通过此方法完全解析出所有内容。 --- #### 2. **pdfplumber** `pdfplumber` 是另一个专注于精确提取 PDF 数据的工具。相比于其他库，它的优势在于可以更细致地控制表格数据和其他结构化信息的提取过程[^5]。 - 使用 `pdfplumber` 提取文本： ```python import pdfplumber with pdfplumber.open("example.pdf") as pdf: text = "" for page in pdf.pages: text += page.extract_text() print(text) ``` 该模块特别适合于那些需要高精度提取特定区域文字的情况。 --- #### 3. **PyMuPDF (fitz)** `PyMuPDF` 或者称为 `fitz`，是一个多功能的 PDF 和图像处理库。除了基本的文字提取外，还提供了丰富的绘图功能和支持 OCR 技术来识别扫描版 PDF 上的内容[^3]。 - 基础文本提取代码如下所示： ```python import fitz # PyMuPDF doc = fitz.open("example.pdf") text = "" for page_num in range(len(doc)): page = doc.load_page(page_num) text += page.get_text() print(text) ``` 如果遇到图片形式存储的文字，则需启用其内置的光学字符识别引擎完成转化工作。 --- #### 4. **pdfrw & slate** 虽然这两个包相对较少被提及，但在简单场景下也能满足需求。“slate”实际上是基于较旧版本“pyPdf”的封装层；而“pdfrw”则更多关注于重写而非单纯阅读现有资料[^6]。 注意：由于维护状态原因，“slate”可能不再推荐作为首选方案。 --- 综上所述，在实际项目开发过程中可以根据具体应用场景选择合适的解决方案。对于大多数常规用途来说，`PyPDF2`, `pdfplumber` 和 `PyMuPDF(fitz)` 都是非常不错的选择。