1. 产品
  2.   解析器
  3.   Python
  4.   pdfminer.six
 
  

开源 Python PDF 解析器库

免费开源 Python 库，用于解析 PDF 并提取带有格式信息的文本。

什么是 pdfminer.six？

pdfminer.six 是一个开源 Python 库和工具集，用于从 PDF 文档中提取数据。您可以解析 PDF 文档并从 PDF 中提取文本、目录和标记内容等以进行数据分析。

以下是其解析功能的简要列表：

  • 文本提取：从 PDF 文档中提取文本内容，包括布局和格式信息，如文本颜色、字体和位置等。
  • 字体信息提取：提取有关 PDF 文档中使用的字体的信息。
GitHub

GitHub 统计

姓名：
语言：
星星：
叉子：
执照：
存储库上次更新于

pdfminer.six 入门

您需要 Python 版本 3.6.0 或更高版本才能安装和使用 pypdf。因此，首先安装 Python，然后使用以下命令使用 pip 和虚拟环境。

Linux


python3 -m venv venv
source venv/bin/activate
pip install pdfminer.six

苹果系统


python -m venv venv
source venv/bin/activate
pip install pdfminer.six

视窗


python3 -m venv venv
venv\Scripts\activate.bat
pip install pdfminer.six

从 PDF 文档中提取文本

您可以使用 Python 中的 pdfminer.six 库通过 extract_text 函数从 PDF 文档中提取文本，如下面的代码片段所示：

输出

以下屏幕截图显示了从 PDF 文档中提取的文本：

从 PDF 文档中提取字体信息

我们还可以通过迭代 PDF 中每个页面的布局元素来提取有关 PDF 文档中使用的字体的信息，例如字体名称和字体大小。例如，检查下面的代码片段：

输出

下面的截图显示了从PDF文档中提取的字体信息：

结论

总之，pdfminer.six能够从PDF文档中提取文本和其他信息，但缺乏从PDF中提取图像和表格等功能。

需要注意的是，pdfminer.six 库支持将 PDF 页面提取为图像，但这与提取 PDF 文档中嵌入的图像不同，pdfminer.six 不支持提取嵌入在 PDF 文档中的图像。然而，开发人员仍然可以依靠它在 Python 中解析 PDF 来提取文本以满足数据分析需求。

类似产品

 中国人