Python从PDF中提取文本的方法效率总结

 更新时间:2023年09月15日 09:31:46   作者:一口神探  
日常工作中我们经常会用到pdf格式的文件,大多数情况下是浏览或者编辑pdf信息,但有时候需要提取pdf中的文本,这篇文章主要给大家总结介绍了关于Python从PDF中提取文本的方法效率,需要的朋友可以参考下

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!

相关文章

  • Vision Transformer图像分类模型导论

    Vision Transformer图像分类模型导论

    这篇文章主要为大家介绍了Vision Transformer图像分类模型导论,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
    2023-03-03
  • OpenCV实现人脸识别

    OpenCV实现人脸识别

    本文主要介绍了python使用opencv实现人脸识别的相关资料。具有很好的参考价值。下面跟着小编一起来看下吧
    2017-04-04
  • python二叉树常用算法总结

    python二叉树常用算法总结

    这篇文章主要分享的是python二叉树常用算法,二叉树的递归思想很重要,还有递归的复杂度分析,需下面文章就来详细解说该算法,要的朋友可以参考一下
    2021-09-09
  • Python socket C/S结构的聊天室应用实现

    Python socket C/S结构的聊天室应用实现

    这篇文章主要介绍了Python socket C/S结构的聊天室应用实现,需要的朋友可以参考下
    2014-11-11
  • Python Pandas DataFrame取列方式

    Python Pandas DataFrame取列方式

    这篇文章主要介绍了Python Pandas DataFrame取列方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
    2023-09-09
  • 利用pandas按日期做分组运算的操作

    利用pandas按日期做分组运算的操作

    这篇文章主要介绍了利用pandas按日期做分组运算的操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2021-03-03
  • scrapy中的spider传参实现增量的方法

    scrapy中的spider传参实现增量的方法

    有时候需要根据项目的实际需求向spider传递参数来控制spider的运行方式,本文主要介绍了scrapy中的spider传参实现增量的方法,具有一定的参考价值,感兴趣的可以了解一下
    2022-06-06
  • Python基于PycURL实现POST的方法

    Python基于PycURL实现POST的方法

    这篇文章主要介绍了Python基于PycURL实现POST的方法,涉及Python实现curl传递post数据的技巧,具有一定参考借鉴价值,需要的朋友可以参考下
    2015-07-07
  • Python面向对象编程之继承与多态详解

    Python面向对象编程之继承与多态详解

    这篇文章主要介绍了Python面向对象编程之继承与多态,结合实例形式详细分析了Python面向对象编程中继承与多态的概念、使用方法及相关注意事项,需要的朋友可以参考下
    2018-01-01
  • 搭建python django虚拟环境完整步骤详解

    搭建python django虚拟环境完整步骤详解

    这篇文章主要介绍了搭建python django虚拟环境完整步骤详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2019-07-07

最新评论