python實現(xiàn)簡單提取PDF文檔內(nèi)文字

更新時間：2026年02月06日 09:33:52 作者：geovindu

這篇文章主要為大家詳細介紹了如何使用python實現(xiàn)簡單提取PDF文檔內(nèi)文字功能,文中的示例代碼講解詳細,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下

本文介紹了一個私有化PDF文檔問答系統(tǒng)的實現(xiàn)方案，重點解決了中文PDF解析和加密文件處理問題。系統(tǒng)采用pdfplumber替代PyPDF2進行文本提取，優(yōu)化了對中文PDF的支持，并新增了加密PDF的密碼輸入和解密功能。系統(tǒng)提供用戶友好的Web界面，包含文檔上傳、問題輸入、回答生成和內(nèi)容預(yù)覽等功能，支持文本型PDF和加密PDF（需輸入密碼）的處理。

完整代碼

# encoding: utf-8
# 版權(quán)所有 2024 ?涂聚文有限公司
# 許可信息查看：言語成了邀功盡責(zé)的功臣，還需要行爲(wèi)每日來值班嗎
# 描述：
# Author    : geovindu,Geovin Du 涂聚文.
# IDE       : PyCharm 2023.1 python 3.11
# OS        : windows 10
# database  : mysql 9.0 sql server 2019, poostgreSQL 17.0  oracle 11g
# Datetime  : 2026/02/05 22:16
# User      : geovindu
# Product   : PyCharm
# Project   : pyOracleDemo
# File      : Main.py
# explain   : 學(xué)習(xí)
'''
https://github.com/gradio-app/gradio
https://modelscope.cn/models/ZhipuAI/GLM-OCR
https://www.gradio.app/custom-components/gallery
pip install gradio -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install streamlit -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pypdf2 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install PyCryptodome -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple


'''
import gradio as gr
import os
import tempfile
import streamlit as st
#from PyPDF2 import PdfReader, errors as PyPDF2Errors
from typing import Optional
from typing import List
import pdfplumber  # 替換PyPDF2
import traceback


class DocumentQASystem:
    """私有化PDF文檔問答系統(tǒng)（修復(fù)is_encrypted屬性錯誤）"""

    def __init__(self):
        st.set_page_config(
            page_title="私有化文檔問答系統(tǒng)",
            layout="wide",
            initial_sidebar_state="collapsed"
        )
        if "doc_text" not in st.session_state:
            st.session_state.doc_text = ""
        self._set_custom_style()

    def _set_custom_style(self):
        st.markdown("""
            <style>
            .stButton>button {width: 100%; margin-top: 10px;}
            .stTextInput>div>div>input {padding: 8px;}
            .doc-preview {max-height: 400px; overflow-y: auto; border: 1px solid #eee; padding: 10px; border-radius: 5px;}
            </style>
        """, unsafe_allow_html=True)

    def _extract_pdf_text(self, pdf_path: str) -> str:
        """
        修復(fù)：移除錯誤的is_encrypted判斷，適配pdfplumber加密PDF處理邏輯
        核心：pdfplumber打開加密PDF會拋異常，捕獲后引導(dǎo)輸入密碼
        """
        full_text = ""
        try:
            # 第一步：嘗試直接打開PDF（非加密PDF直接處理）
            try:
                with pdfplumber.open(pdf_path) as pdf:
                    # 逐頁提取文本（中文友好）
                    for page_num, page in enumerate(pdf.pages, 1):
                        text = page.extract_text()
                        if text:
                            full_text += f"\n=== 第 {page_num} 頁 ===\n{text}\n"

            # 第二步：捕獲加密PDF異常，引導(dǎo)輸入密碼
            except pdfplumber.utils.PDFEncryptionError:
                st.warning("檢測到該PDF文件已加密，請輸入解密密碼")
                pdf_password = st.text_input(
                    "PDF解密密碼",
                    type="password",
                    key="pdf_pwd",
                    help="輸入密碼后會自動重新解析"
                )
                # 有密碼時嘗試解密打開
                if pdf_password:
                    try:
                        with pdfplumber.open(pdf_path, password=pdf_password) as pdf:
                            for page_num, page in enumerate(pdf.pages, 1):
                                text = page.extract_text()
                                if text:
                                    full_text += f"\n=== 第 {page_num} 頁 ===\n{text}\n"
                    except Exception:
                        st.error("密碼錯誤！請輸入正確的PDF解密密碼")
                        return ""
                else:
                    st.info("請輸入密碼后重試解析")
                    return ""

            return full_text.strip()

        except ImportError:
            st.error("依賴缺失：請執(zhí)行 `pip install pdfplumber` 安裝解析庫")
            return ""
        except Exception as e:
            # 打印詳細錯誤（僅調(diào)試用，可注釋）
            st.error(f"PDF解析失敗：{str(e)}")
            st.debug(f"詳細錯誤信息：{traceback.format_exc()}")
            return ""

    def _mock_llm_answer(self, question: str, context: str) -> str:
        return f"【回答】：針對問題“{question}”，上下文中檢索到相關(guān)內(nèi)容：{context[:100]}..."

    def render_ui(self):
        st.title("?? 文檔問答工具（中文PDF優(yōu)化+加密修復(fù)版）")
        st.divider()

        col1, col2 = st.columns([1, 2])
        with col1:
            st.subheader("?? 文檔上傳與提問")
            uploaded_file = st.file_uploader("選擇PDF文檔", type=["pdf"])

            if uploaded_file is not None:
                with st.spinner("正在解析PDF（中文優(yōu)化版）..."):
                    # 臨時文件處理
                    with tempfile.NamedTemporaryFile(delete=False, suffix=".pdf") as tmp_file:
                        tmp_file.write(uploaded_file.read())
                        tmp_path = tmp_file.name

                    # 提取文本（核心修復(fù)后的方法）
                    st.session_state.doc_text = self._extract_pdf_text(tmp_path)

                    # 清理臨時文件（增加異常捕獲）
                    try:
                        os.unlink(tmp_path)
                    except Exception as e:
                        st.warning(f"臨時文件清理失敗：{str(e)}（不影響功能）")

                    if st.session_state.doc_text:
                        st.success(f"? PDF解析成功！提取字符總數(shù)：{len(st.session_state.doc_text)}")

            # 清空文檔按鈕
            if st.button("??? 清空已上傳文檔", type="secondary"):
                st.session_state.doc_text = ""
                st.rerun()

            st.divider()
            # 用戶提問
            question = st.text_input(
                "?? 請輸入你要查詢的問題",
                placeholder="例如：文檔中提到的核心結(jié)論是什么？",
                disabled=not st.session_state.doc_text
            )
            # 提交按鈕（僅當(dāng)有文檔和問題時可用）
            submit_btn = st.button(
                "?? 提交問題生成回答",
                type="primary",
                disabled=not (question and st.session_state.doc_text)
            )

        with col2:
            st.subheader("?? 結(jié)果展示")
            # 顯示回答
            if submit_btn:
                with st.spinner("正在基于文檔內(nèi)容生成回答..."):
                    answer = self._mock_llm_answer(question, st.session_state.doc_text)
                    st.markdown("### ?? 回答結(jié)果")
                    st.write(answer)
                    st.divider()

            # 文檔內(nèi)容預(yù)覽
            if st.session_state.doc_text:
                st.markdown("### ?? 文檔內(nèi)容預(yù)覽（前1500字符）")
                st.markdown(
                    f'<div class="doc-preview">{st.session_state.doc_text[:1500]}...</div>',
                    unsafe_allow_html=True
                )
            else:
                st.info("?? 請先上傳PDF文檔，支持中文文本型PDF、加密PDF（需輸入密碼）")

        # 底部提示
        st.divider()
        st.caption("?? 注意：掃描件PDF（純圖片）無法提取文本，需先進行OCR識別；文本型PDF均可正常解析")


def main():
    """程序主入口函數(shù)"""
    # 實例化問答系統(tǒng)并渲染界面
    qa_system = DocumentQASystem()
    qa_system.render_ui()
# Press the green button in the gutter to run the script.
if __name__ == '__main__':
    print('hello world')
    main()

在終端運行：

# 2. 用Streamlit專用命令啟動（關(guān)鍵！）
streamlit run Main.py

方法補充

下面是小編整理的python提取PDF內(nèi)容的其他方法，希望對大家有所幫助

1. Python提取指定頁文字

import pdfplumber
 
path = './練習(xí)文件/文字.pdf'
# with語句：打開文件不用手動關(guān)閉，但要注意縮進
with pdfplumber.open(path) as pdf:
    # # 獲取首頁
    first_page = pdf.pages[0]
    # 將指定頁提取文字
    text = first_page.extract_text()
    textW = open('./結(jié)果文件/1.txt', mode='a', encoding='utf-8')
    textW.write(text)

2. Python提取所有頁面文字

import pdfplumber
 
path = './練習(xí)文件/文字.pdf'
with pdfplumber.open(path) as pdf:
    for page in pdf.pages:
        # 將每頁提取文字
        text = page.extract_text()
        textW = open('./結(jié)果文件/2.txt', mode='a', encoding='utf-8')
        textW.write(text)

3.Python從特定PDF頁面提取文本

從指定的PDF頁面提取文本，大致步驟如下：

加載PDF文檔。
通過頁面索引獲取指定頁面。
提取頁面的文本內(nèi)容。
將提取的文本保存到文本文件中。

代碼：

from spire.pdf.common import *
from spire.pdf import *

# 定義一個從PDF文檔指定頁面提取文本的函數(shù)，參數(shù)分別為輸入PDF文檔的路徑，需要提取文本的頁面索引（從0開始），存放提取文本的文本文檔的路徑
def extract_text_from_page(file_path, page_num, output_file):
    # 創(chuàng)建PdfDocument類的實例
    doc = PdfDocument()
    # 加載PDF文檔
    doc.LoadFromFile(file_path)

    # 根據(jù)頁面索引獲取特定頁面
    page = doc.Pages[page_num]

    # 從該頁面提取文本
    text = page.ExtractText(True)

    # 將提取的文本存儲到文本文件
    with open(output_file, "w", encoding="utf-8") as text_file:
        text_file.write(text)

    doc.Close()

# 調(diào)用函數(shù)實現(xiàn)從PDF指定頁面提取文本
file_path = "測試.pdf"
page_num = 0  # 指定從中提取文本的頁碼（頁碼索引從0開始）
output_file = "提取頁面文本.txt"
extract_text_from_page(file_path, page_num, output_file)

4.Python從特定PDF頁面區(qū)域提取文本

從指定PDF頁面區(qū)域提取文本，大致步驟如下:

加載PDF文檔。
通過頁面索引獲取指定頁面。
指定需要提取文本內(nèi)容的矩形區(qū)域的坐標(biāo)、寬度和高度。
從頁面的指定矩形區(qū)域中提取文本。
將提取的文本保存到文本文件中。

代碼：

from spire.pdf.common import *
from spire.pdf import *

# 定義一個從PDF文檔指定頁面的指定區(qū)域提取文本的函數(shù)，參數(shù)分別為輸入PDF文檔的路徑，需要提取文本的頁面索引（從0開始），區(qū)域的X坐標(biāo)，區(qū)域的Y坐標(biāo)，區(qū)域的寬度，區(qū)域的高度，存放提取文本的文本文件路徑
def extract_text_from_page_area(file_path, page_num, x, y, width, height, output_file):
    # 創(chuàng)建PdfDocument實例
    doc = PdfDocument()
    # 加載PDF文檔
    doc.LoadFromFile(file_path)

    # 根據(jù)頁面索引獲取特定頁面
    page = doc.Pages[page_num]

    # 定義一個矩形來指定文本提取的區(qū)域
    rectangle = RectangleF(x, y, width, height)

    # 從頁面的指定矩形區(qū)域中提取文本
    text = page.ExtractText(rectangle)

    # 將提取的文本存儲到文本文件
    with open(output_file, "w", encoding="utf-8") as text_file:
        text_file.write(text)

    doc.Close()

# 調(diào)用函數(shù)實現(xiàn)從PDF指定頁面的指定區(qū)域提取文本
file_path = "測試.pdf"
page_num = 0  # 指定從中提取文本的頁碼（頁碼索引從0開始）
x = 0.0
y = 180.0
width = 500.0
height = 200.0
output_file = "提取頁面區(qū)域文本.txt"
extract_text_from_page_area(file_path, page_num, x, y, width, height, output_file)

到此這篇關(guān)于python實現(xiàn)簡單提取PDF文檔內(nèi)文字的文章就介紹到這了,更多相關(guān)python提取PDF文字內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: