python应用之使用pdfplumber 解析pdf文件内容

一. 通过 pdfplumber.open() 解析复杂PDF：

这段 Python 代码使用了 pdfplumber 库来读取 PDF 文件中的文本内容，下面是逐行解释：

import pdfplumber

• 引入 pdfplumber 模块，这是一个用于从 PDF 文件中提取文本、表格等内容的第三方库。

# 打开 PDF 文件, 这里写死了，看下面的V2版本，用弹框选择文件
with pdfplumber.open("example.pdf") as pdf:

• 使用 pdfplumber.open() 方法打开名为 "example.pdf" 的 PDF 文件。
• 使用 with 语句可以确保文件使用完后会自动关闭，避免资源泄露。

    # 获取第一页page = pdf.pages[0]

• 获取 PDF 文件的第一页内容，pdf.pages 是一个页面对象的列表，索引从 0 开始。

    # 提取文本text = page.extract_text()

• 调用 extract_text() 方法从第一页中提取文本内容。
• 这个方法返回一个字符串，包含该页的所有可提取文本（按照排版顺序）。

    print(text)

• 将提取到的文本打印出来。

1-2. 报错：

ImportError: DLL load failed while importing _rust: 找不到指定的程序。
Traceback:
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\ltjt_ai_seek_app\com\szkj\test_pdf\pdf_parser.py", line 2, in <module>import pdfplumber
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfplumber\__init__.py", line 15, in <module>from .pdf import PDF
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfplumber\pdf.py", line 8, in <module>from pdfminer.layout import LAParams
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\layout.py", line 21, in <module>from pdfminer.pdfinterp import Color, PDFGraphicState
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfinterp.py", line 10, in <module>from pdfminer.pdfdevice import PDFDevice, PDFTextSeq
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfdevice.py", line 16, in <module>from pdfminer.pdfpage import PDFPage
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfpage.py", line 6, in <module>from pdfminer.pdfdocument import (
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfdocument.py", line 23, in <module>from cryptography.hazmat.primitives.ciphers import Cipher, algorithms, modes
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\cryptography\hazmat\primitives\ciphers\__init__.py", line 11, in <module>from cryptography.hazmat.primitives.ciphers.base import (
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\cryptography\hazmat\primitives\ciphers\base.py", line 10, in <module>from cryptography.hazmat.bindings._rust import openssl as rust_openssl

你遇到的 ImportError: DLL load failed while importing _rust: 找不到指定的程序 错误通常是由于缺少某些依赖项或环境配置问题导致的。以下是一些可能的解决方案：

1. 确保安装了所有必要的依赖项
   确保你已经安装了所有必要的依赖项，特别是 cryptography 和 pdfplumber。你可以使用以下命令来安装这些库：

pip install pdfplumber cryptography

2. 安装 Visual C++ Redistributable
   有时，这个错误是由于缺少 Microsoft Visual C++ Redistributable 包引起的。你可以从微软官方网站下载并安装最新版本的 Visual C++ Redistributable for Visual Studio 2015, 2017, 2019 或 2022。

Visual C++ Redistributable for Visual Studio 2015, 2017, and 2019
Visual C++ Redistributable for Visual Studio 2022

3. 检查 Python 和 pip 的版本
   确保你使用的是兼容的 Python 和 pip 版本。你可以使用以下命令来检查和升级它们：

python --version
pip --version
pip install --upgrade pip

4. 重新安装 cryptography 库
   有时，重新安装 cryptography 库可以解决问题。你可以使用以下命令来卸载并重新安装它：

pip uninstall cryptography
pip install cryptography

如果都安装了，还是报错，那就是python版本的问题：
从3.9 -> 3.12 ,换完之后 ，成功

验证 安装成功
pip show pdfplumber

linux下 一样，pdfplumber 好像需要python3.12 版本：

V2 ：

代码如下：

import streamlit as st
import pdfplumber
import io# 设置页面标题
st.title("PDF 文本提取工具")# 创建文件上传组件
uploaded_file = st.file_uploader("请选择一个 PDF 文件", type=["pdf"])if uploaded_file is not None:# 读取上传的文件file_bytes = uploaded_file.read()# 转换为类文件对象file_stream = io.BytesIO(file_bytes)# 使用 pdfplumber 打开 PDF 文件with pdfplumber.open(file_stream) as pdf:# 获取第一页page = pdf.pages[0]# 提取文本text = page.extract_text()# 显示提取的文本if text:st.subheader("提取的文本内容：")st.write(text)else:st.warning("未能从该页提取到任何文本。")
else:st.info("请上传一个 PDF 文件以开始提取文本。")

提取的文本内容：
文旅投集团专属会员权益服务内容 类型 名称 项目 具体商品/服务 收费标准 权益折扣 工作日（6:00-17:00） 150元/小时 工作日（17:00-22:00） 200元/小时 周末及节假日（6:00-17:00） 200元/小时 网球项目 8.5折 室内网球 周末及节假日（17:00-22:00） 240元/小时 工作日（6:00-9:00）晨间畅打 399元/10次 工作日（12:00-14:00）午间畅打 299元/10次 工作日（6:00-17:00） 80元/小时 网球项目 工作日（17:00-22:00） 100元/小时 8.5折 室外网球 周末及节假日（6:00-22:00） 100元/小时 工作日（6:00-12:00） 40元/小时 工作日（12:00-17:00） 60元/小时 工作日（17:00-22:00） 80元/小时 多功能馆 8.5折 羽毛球 文 周末及节假日（6:00-22:00） 80元/小时 中央绿色 体 体育公园 类 工作日（6:00-9:00）晨间畅打 15元/人 工作日（6:00-9:00）晨间畅打次卡 288元/30次 多功能馆 全时段（6:00-22:00） 半场200元/小时 8.5折 室内篮球 工作日（6:00-12:00） 20元/小时 工作日（12:00-22:00） 25元/小时 周末及节假日（6:00-12:00） 25元/小时 乒乓球馆 周末及节假日（12:00-22:00） 30元/小时 8.5折 乒乓球 工作日（6:00-9:00）畅打次卡 120元/30次 工作日（9:00-12:00）畅打次卡 150元/30次 工作日（19:00-22:00）畅打次卡 198元/30次 工作日（6:00-17:00） 300元/小时 室外场地 工作日（17:00-22:00） 400元/小时 8.5折 11人制足球 周末及节假日（6:00-22:00） 400元/小时

1-3. v3 使用tk 库，弹框选择文件

以下是运行完整示例程序并进行测试的详细步骤说明：

运行环境准备

1. 安装依赖库：

pip install pdfplumber tk

• pdfplumber：用于PDF解析

• tk：用于图形界面（Python自带，但部分Linux系统可能需要单独安装）

• 准备测试文件：

• 准备一个测试用的PDF文件（建议同时准备正常PDF和错误文件用于测试异常处理）

完整代码保存

新建一个.py文件（如pdf_extractor.py），粘贴以下代码：

import pdfplumber
import io
import tkinter as tk
from tkinter import filedialog# 创建隐藏的根窗口
root = tk.Tk()
root.withdraw()# 打开文件选择对话框
file_path = filedialog.askopenfilename(title="选择PDF文件",filetypes=[("PDF文件", "*.pdf")]
)if not file_path:print("未选择文件")exit()try:# 先读取为字节数据with open(file_path, "rb") as f:file_bytes = f.read()# 转换为类文件对象file_stream = io.BytesIO(file_bytes)# 解析PDFwith pdfplumber.open(file_stream) as pdf:first_page = pdf.pages[0]print("="*30 + "\n提取的文本内容：\n" + "="*30)print(first_page.extract_text() or "未检测到文本内容")except Exception as e:print(f"处理文件时出错：{str(e)}")

运行测试步骤

####. 方式一：图形界面方式（推荐）
启动程序：

python pdf_extractor.py

2. 选择文件：

• 将自动弹出文件选择对话框
• 选择准备好的测试PDF文件（建议选择包含可识别文本的简单PDF）

3. 查看输出：

==============================
提取的文本内容：
==============================
这里是PDF第一页的文本内容...

方式二：命令行方式（适用于自动化）

python pdf_extractor.py "/path/to/your/file.pdf"

测试用例示例

测试场景	预期结果	验证点
--------	--------	-----
选择正常PDF文件	正确输出第一页文本	文本提取功能正常
取消文件选择	输出"未选择文件"并退出	异常处理逻辑正常
选择非PDF文件（如.jpg）	弹出错误提示	文件类型过滤有效
选择加密的PDF文件	抛出解密错误	异常处理机制有效
选择损坏的PDF文件	显示解析错误信息	健壮性验证

常见问题排查

1. 无文件选择对话框弹出：

• 检查是否安装了图形界面支持
• 在Linux服务器环境可使用以下命令安装基础GUI支持：

sudo apt-get install python3-tk

2. No such file or directory错误：

• 确认文件路径是否正确
• 检查文件权限设置

3. 提取内容为空：

• 测试文件是否是扫描版图片PDF（需要OCR处理）
• 尝试使用官方测试文件：

# 测试代码
import pdfplumber
with pdfplumber.open("https://www.w3.org/WAI/ER/tests/xhtml/testfiles/resources/pdf/dummy.pdf") as pdf:print(pdf.pages[0].extract_text())

4. 内存不足错误：

对于超大PDF文件（>100MB），改用文件路径方式打开：

# 替代BytesIO的方式
with pdfplumber.open(file_path) as pdf:# 处理逻辑

扩展测试建议

1. 多页测试：

# 修改代码遍历所有页面
for i, page in enumerate(pdf.pages):print(f"第 {i+1} 页内容：")print(page.extract_text())

2. 表格提取测试： TODO 看看能不能 弥补上面 V2 解析结果错乱的问题

# 在with语句中添加
table = first_page.extract_table()
if table:print("\n检测到表格：")for row in table:print(row)

3. 性能测试：

import time
start = time.time()
# 处理代码
print(f"处理耗时：{time.time()-start:.2f}秒")

通过以上步骤可以完整验证PDF文本提取功能的可用性和健壮性。

1-10 总结：

这段代码实现了从一个名为 example.pdf 的 PDF 文件中提取第一页的文本，并将其输出到控制台。它适合用于快速查看或处理 PDF 中的文本信息。

如果你有 PDF 文件想解析或提取特定内容，也可以告诉我，我可以帮你构建更复杂的提取逻辑。

二. PDF中包含表格，table = first_page.extract_table() 只能提取到 PDF文件中的表头如下：

提取的文本内容：
==============================
['类型', '名称', '项目', '具体商品/服务', '收费标准', '权益折扣']

表格里的单元格数据 提取不到

1. 表格结构识别问题

pdfplumber 是基于规则来识别表格的，若表格的结构较为复杂或者不规则，它可能无法正确识别表格的边界，进而导致只能提取到表头。

解决办法

调整表格检测参数：可以通过修改 table_settings 参数来调整表格检测的规则。例如，修改 vertical_strategy 和 horizontal_strategy 参数，让其能更精准地识别表格的边界。

import pdfplumberpdf_path = 'your_pdf_file.pdf'
with pdfplumber.open(pdf_path) as pdf:first_page = pdf.pages[0]# 调整表格检测参数table_settings = {"vertical_strategy": "text","horizontal_strategy": "text"}table = first_page.extract_table(table_settings)for row in table:print(row)

效果：

有单元格内容，也能成行成行打印了，但是对于前2列 是合并行的单元格，还不友好。

2. 文本布局问题

若表格中的文本布局比较特殊，例如存在合并单元格、跨页表格等情况，pdfplumber 可能难以正确识别表格的结构。

解决办法

• 手动指定表格区域：可以通过指定表格的坐标区域来精确提取表格数据。你可以使用 pdfplumber 的 crop() 方法来裁剪页面，只保留表格所在的区域。
  生成 pdf_table_extraction_manual.py。 未测试验证

import pdfplumberpdf_path = 'your_pdf_file.pdf'
with pdfplumber.open(pdf_path) as pdf:first_page = pdf.pages[0]# 手动指定表格区域的坐标（x0, top, x1, bottom）table_bbox = (100, 200, 500, 400)cropped_page = first_page.crop(table_bbox)table = cropped_page.extract_table()for row in table:print(row)

3. 字体和颜色问题

如果表格中的文本使用了特殊的字体或者颜色，pdfplumber 在识别文本时可能会出现问题。

解决办法

• 检查 PDF 文件：尝试使用 PDF 阅读器打开文件，查看表格中的文本是否能够正常显示。若文本显示存在问题，可以尝试重新生成 PDF 文件。