Python读取PDF：文本、图片与文档属性

在日常的数据采集、文档归档与信息挖掘过程中，PDF格式因其版式固定、内容稳定而被广泛使用。Python 开发者若希望实现 PDF 内容的自动化提取，选择一个易用且功能完善的库至关重要。本文将介绍如何使用Python实现 PDF文本提取、图片提取 以及 文档属性读取 三大核心操作，适用于信息抽取、电子档案处理等场景。

• Python读取PDF文本
• Python读取PDF图片
• Python读取PDF文档属性

本文使用免费的 Free Spire.PDF for Python。安装方法如下：

pip install spire.pdf.free

---

Python读取PDF文本

在PDF中提取可识别的文字内容，是信息处理的基础需求。Spire.PDF 提供了 PdfTextExtractor 类，可逐页提取文本，并通过参数控制提取方式。

操作说明：

1. 创建 PdfDocument 实例并加载PDF；
2. 遍历每一页，构建 PdfTextExtractor；
3. 设置提取选项，如是否简化布局；
4. 累加获取到的文本内容。

代码示例：

from spire.pdf import PdfDocument, PdfTextExtractor, PdfTextExtractOptions

# 创建 PdfDocument 实例并加载文档
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

all_text = ""
# 遍历所有页面
for pageIndex in range(pdf.Pages.Count):
    page = pdf.Pages.get_Item(pageIndex)
    # 创建文本提取器
    text_extractor = PdfTextExtractor(page)
    # 设置提取选项
    options = PdfTextExtractOptions()
    options.IsExtractAllText = True
    options.IsSimpleExtraction = True
    # 提取文本并累加
    all_text += text_extractor.ExtractText(options)

# 输出全部文本内容
print(all_text)

PDF文档：

读取的PDF文本：

---

Python读取PDF图片

PDF中的图片可能包含插图、图标、水印等重要信息。Spire.PDF 提供了 PdfImageHelper 工具类，可提取页面中嵌入的图像并保存为文件。

操作说明：

1. 加载PDF文档并获取页面；
2. 使用 PdfImageHelper.GetImagesInfo() 获取图片信息；
3. 遍历并保存提取的图片对象。

代码示例：

from spire.pdf import PdfDocument, PdfImageHelper

# 加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 获取第一页
page = pdf.Pages.get_Item(0)

# 创建图片助手
image_helper = PdfImageHelper()
# 获取页面中的图片信息
images_info = image_helper.GetImagesInfo(page)

# 保存图片为本地文件
for i in range(len(images_info)):
    images_info[i].Image.Save("output/Images/image" + str(i) + ".png")

读取的PDF图片：

---

Python读取PDF文档属性

除了内容本身，PDF还可能包含元数据（如标题、作者、关键词等），便于进行文档分类与检索。Spire.PDF 支持直接读取这些信息。

操作说明：

1. 加载PDF文件；
2. 通过 DocumentInformation 属性访问文档元数据；
3. 打印或记录相关属性值。

代码示例：

from spire.pdf import PdfDocument

# 加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 获取文档属性信息
properties = pdf.DocumentInformation
print("标题： " + properties.Title)
print("作者： " + properties.Author)
print("主题： " + properties.Subject)
print("关键词： " + properties.Keywords)

读取的PDF文档属性：

---

总结

使用 Free Spire.PDF for Python，可以轻松完成以下三类典型的 PDF 信息提取操作：

• 读取PDF文本：逐页提取文字内容，适用于全文分析、搜索系统等；
• 读取PDF图片：提取嵌入图像用于归档、识别或后续处理；
• 读取PDF文档属性：访问标题、作者、关键词等元信息，辅助分类索引。

以上功能均可在本地环境中快速部署，适合构建轻量级 PDF 处理工具或集成至业务系统中。

---

更多教程请参考：Spire.PDF for Python 教程中心