企业官网建设流程全解析

pdfplumber 入门指南：5 分钟从 PDF 提取文本和表格

【免费下载链接】pdfplumberPlumb a PDF for detailed information about each char, rectangle, line, et cetera — and easily extract text and tables.项目地址: https://gitcode.com/GitHub_Trending/pd/pdfplumber

拿到一份机器生成的 PDF 报告，你最想知道的往往是：里面的文字和表格能不能直接变成能算的数据？pdfplumber 把 PDF 里的每个字符、线条、矩形连坐标一起解析出来，帮你提取文本和表格。跟着本文做，5 分钟内你会从一份真实 PDF 里拿到整页文本、一张按行列排好的表格，以及一张标出词框位置的调试图。

准备工作：环境要求与安装验证

本节只解决一件事：让后面的命令和代码都能直接跑。

• ✅ 需要 Python 3.8 及以上，官方在 3.10 ~ 3.14 上完成过完整测试
• ✅ 跨平台，Windows、macOS、Linux 都能装
• ✅ 依赖自动带上：底层解析引擎 pdfminer.six、图片库 Pillow、渲染库 pypdfium2

执行 1 条命令完成安装，紧接着打印版本号确认依赖齐了：

pip install pdfplumber python -c "import pdfplumber; print(pdfplumber.__version__)"

装好后先花 10 秒看清它的能力边界：

最小闭环：3 行代码拿到第一页文本

用 3 行核心代码走一遍"打开 → 取页 → 提文本"，后面所有用法都建立在这一步之上。练习文件就用仓库自带的 examples/pdfs/background-checks.pdf，换成你手头的任何 PDF 同理。

import pdfplumber with pdfplumber.open("background-checks.pdf") as pdf: text = pdf.pages[0].extract_text() print(text)

• pdfplumber.open(...)：打开 PDF，参数可以是文件路径或字节对象
• pdf.pages[0]：取第 1 页，索引从 0 开始
• .extract_text()：按阅读顺序把整页字符拼成文本

核心场景实战

三个最高频场景，按"先看对象、再取数据、最后调参"的顺序来。

不写代码：命令行导出整份 PDF 的 CSV

什么时候用：想快速确认 PDF 里到底有多少对象、长什么样，或要把坐标数据直接交给 Excel。

在终端执行pdfplumber background-checks.pdf > background-checks.csv，输出的 CSV 包含这份 PDF 里每个字符、线条、矩形的位置和属性。三个参数最常用：

• --format text：跳过对象数据，直接输出还原版面后的纯文本
• --pages 1 11-15：只处理第 1 页和第 11~15 页（从 1 开始数，空格分隔）
• --types char rect：只提取指定类型的对象

提取带边框的表格

什么时候用：PDF 里有可见表格线（机器生成的报表最典型），需要把"格子"变成结构数据。

import pdfplumber with pdfplumber.open("background-checks.pdf") as pdf: table = pdf.pages[0].extract_table() print(table)

返回值是"行 → 单元格"的嵌套列表，可以直接交给 pandas 变成 DataFrame。关键参数是table_settings：默认用lines策略沿线条找格子，如果某个方向缺线导致漏行，改成{"vertical_strategy": "text"}，让它改按文字位置推断边界。识别逻辑都在 pdfplumber/table.py 里。

提取不准时：把结果画出来

什么时候用：文本乱序、表格漏行，光看输出猜不出原因。

with pdfplumber.open("background-checks.pdf") as pdf: p0 = pdf.pages[0] im = p0.to_image() im.debug_tablefinder() im.show()

debug_tablefinder()会把检测到的线条、交点和识别出的表格框直接叠加到页面上；换成im.draw_rects(p0.extract_words())则画出每个词的位置。在 Jupyter 里to_image()会自动把页面渲染进单元格，效果类似下图（红框即提取到的词）：

结果不对时怎么排查

⚠️ 两个新手最常撞上的问题，都按"现象 → 原因 → 处理"说明。

空白或只有零星字符：extract_text()返回空串或几个乱码；多半是扫描件——页面本质是图片、没有文字层，pdfplumber 不做 OCR；先在 PDF 阅读器里选中一段文字试试，选不中就改走 OCR 方案。

文本顺序错乱：双栏排版提取出来左右交叉；原因是默认按坐标把字符聚成行，特殊版式会串栏；改用extract_text(layout=True)按版面还原，或先用crop切出单栏再分别提取。

继续深入的路径

• 官方功能总览：README.md，表格提取策略的完整说明都在里面
• 官方示例：examples/notebooks/ 有 4 个 Notebook，配套 PDF 在 examples/pdfs/，建议按表格调参的思路顺序看
• 结构损坏的 PDF 打不开：参考修复指南 docs/repairing.md
• 源码入口：pdfplumber/page.py 是页面对象的全部属性，pdfplumber/display.py 负责渲染和画框

打开终端装上 pdfplumber，随手挑一份 PDF 把第一页文本提取出来看看——后面的问题，画出来再解决。

【免费下载链接】pdfplumberPlumb a PDF for detailed information about each char, rectangle, line, et cetera — and easily extract text and tables.项目地址: https://gitcode.com/GitHub_Trending/pd/pdfplumber