Python从PDF中提取文本的方法效率总结
前言
这段时间做了好几个关于年报的需求,其中无一例外需要从年报PDF中提取文本再进行下一步的操作。为了提高效率,对比分析了python中各种可以实现此功能的方法效率。
一、pdfplumber
简介:
- 可以为pdf文件插入文本字符、矩形和行的详细信息
- 对于非扫描格式pdf解析效果最佳
- 基于pdfminer.six构建
- 代码简洁,易于理解
安装:
pip install pdfplumber
示例:
import pdfplumber def pdf2txt(pdf_path): txt = '' with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: txt = txt + page.extract_text() return txt
二、pdfminer
简介:
- 可以获取文本的提取位置以及其他布局信息
- 可将pdf转换为其他格式(HTML/XML)
- 支持基本的加密方式(RC4 and AES)
安装:
pip install pdfminer
示例:
from pdfminer.converter import TextConverter from pdfminer.pdfdocument import PDFTextExtractionNotAllowed from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.pdfpage import PDFPage def parsePDF(PDF_path): resource_manager = PDFResourceManager() fake_file_handle = io.StringIO() converter = TextConverter(resource_manager,fake_file_handle) page_interpreter = PDFPageInterpreter(resource_manager,converter) with open(PDF_path,'rb') as fh: for page in PDFPage.get_pages(fh,caching=True,check_extractable=True): page_interpreter.process_page(page) text = fake_file_handle.getvalue() converter.close() fake_file_handle.close() if text: return text
三、fitz / pymupdf
简介:
- 支持多种格式
- 可以提取文字和图像
- 搜索文本
安装:
直接安装fitz会出现较多问题,建议安装pymupdf
pip install pymupdf
示例:
import fitz def parsePDF(filePath): with fitz.open(filePath) as doc: text = "" for page in doc.pages(): text += page.get_text() if text: return text
官方示例:
https://github.com/pymupdf/PyMuPDF/tree/master/tests
四、性能对比
使用以上三种方法对同一个PDF进行文本提取,分别记录提取文本结果的长度和运行时间,结果如下:
fitz提取出的文本长度不仅更长,耗时更是快了不止10倍!
可以说fitz在提取文本的性能方面完爆其他库,但是却很少有文章介绍这个库,有点奇怪。
总结
到此这篇关于Python从PDF中提取文本的方法效率的文章就介绍到这了,更多相关Python从PDF提取文本内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
最新评论