pip install pdfplumber

import pdfplumber
print(pdfplumber.__version__)  # 輸出版本號（如 0.9.0）即成功

import pdfplumber

# 加載PDF文件
with pdfplumber.open("example.pdf") as pdf:
    # 查看PDF基本信息
    print(f"總頁數(shù)：{len(pdf.pages)}")  # 輸出總頁數(shù)
    
    # 獲取第一頁（索引從0開始）
    first_page = pdf.pages[0]
    
    # 查看頁面屬性
    print(f"頁面尺寸：{first_page.width} x {first_page.height} 像素")
    print(f"頁面旋轉(zhuǎn)角度：{first_page.rotation}°")  # 0表示正常，90/180表示旋轉(zhuǎn)
    print(f"是否包含圖片：{len(first_page.images) > 0}")

import pdfplumber

with pdfplumber.open("example.pdf") as pdf:
    # 提取第2頁文本
    page = pdf.pages[1]  # 第2頁（索引1）
    text = page.extract_text()
    
    # 打印提取的文本（前500字符）
    if text:
        print("提取的文本：")
        print(text[:500] + "...")  # 只顯示前500字符
    else:
        print("該頁面無文本內(nèi)容（可能是掃描版PDF）")

with pdfplumber.open("example.pdf") as pdf:
    page = pdf.pages[0]
    # 提取頁面中所有文字的詳細(xì)信息（列表 of 字典）
    words = page.extract_words()
    
    # 打印前3個(gè)文字的信息
    for word in words[:3]:
        print(f"文字：{word['text']}")
        print(f"位置：x={word['x0']:.2f}, y={word['top']:.2f}（左上角）")
        print(f"大?。簩?{word['width']:.2f}, 高={word['height']:.2f}")
        print(f"字體：{word.get('fontname', '未知')}, 大小={word.get('size', '未知')}\n")

import pdfplumber
import pandas as pd

with pdfplumber.open("report.pdf") as pdf:
    page = pdf.pages[2]  # 假設(shè)第3頁有一個(gè)表格
    
    # 提取表格（返回列表 of 列表）
    table = page.extract_table()
    
    if table:
        # 用pandas轉(zhuǎn)為DataFrame（方便后續(xù)處理）
        df = pd.DataFrame(table[1:], columns=table[0])  # 第0行為表頭
        print("提取的表格：")
        print(df.head())  # 打印前5行
        # 保存為Excel
        df.to_excel("extracted_table.xlsx", index=False)
    else:
        print("未檢測到表格")

with pdfplumber.open("multi_tables.pdf") as pdf:
    page = pdf.pages[0]
    # 提取所有表格（返回列表 of 表格）
    all_tables = page.extract_tables()
    
    print(f"頁面中共檢測到 {len(all_tables)} 個(gè)表格")
    
    # 遍歷每個(gè)表格并保存
    for i, table in enumerate(all_tables):
        if table:
            df = pd.DataFrame(table[1:], columns=table[0])
            df.to_excel(f"table_{i+1}.xlsx", index=False)
            print(f"表格 {i+1} 已保存")

table = page.extract_table(
    table_settings={
        "vertical_strategy": "text",  # 按文本垂直間距識別列
        "horizontal_strategy": "text"  # 按文本水平間距識別行
    }
)

import pdfplumber

with pdfplumber.open("invoice.pdf") as pdf:
    page = pdf.pages[0]
    
    # 定義區(qū)域：(x0, top, x1, bottom)，即左上角x、y和右下角x、y
    # 可通過pdfplumber的可視化工具查看坐標(biāo)（后文介紹）
    area = (50, 50, 400, 150)  # 示例區(qū)域（需根據(jù)實(shí)際PDF調(diào)整）
    
    # 提取指定區(qū)域的文本
    region_text = page.crop(area).extract_text()
    print("指定區(qū)域的文本：")
    print(region_text)
    
    # 提取指定區(qū)域的表格（如果有的話）
    region_table = page.crop(area).extract_table()
    if region_table:
        print("指定區(qū)域的表格：")
        for row in region_table:
            print(row)

import pdfplumber

def pdf_to_txt(pdf_path, txt_path):
    """將PDF所有頁面的文本提取到TXT"""
    with pdfplumber.open(pdf_path) as pdf, open(txt_path, "w", encoding="utf-8") as f:
        for i, page in enumerate(pdf.pages, start=1):
            text = page.extract_text()
            if text:
                f.write(f"=== 第 {i} 頁 ===\n")
                f.write(text + "\n\n")
        print(f"文本已提取到 {txt_path}")

# 用法：提取report.pdf的文本到report.txt
pdf_to_txt("report.pdf", "report.txt")

import pdfplumber
import pandas as pd
from openpyxl import load_workbook

def extract_all_tables_to_excel(pdf_path, excel_path):
    """提取PDF中所有表格到Excel的多個(gè)工作表"""
    with pdfplumber.open(pdf_path) as pdf:
        # 創(chuàng)建一個(gè)Excel寫入器
        writer = pd.ExcelWriter(excel_path, engine="openpyxl")
        
        table_count = 0  # 統(tǒng)計(jì)總表格數(shù)
        
        for page_num, page in enumerate(pdf.pages, start=1):
            tables = page.extract_tables()
            if not tables:
                continue
            
            for i, table in enumerate(tables, start=1):
                table_count += 1
                # 轉(zhuǎn)換為DataFrame
                try:
                    df = pd.DataFrame(table[1:], columns=table[0])
                except:
                    # 處理無表頭的表格
                    df = pd.DataFrame(table)
                
                # 工作表名稱：頁面_表格序號
                sheet_name = f"頁{page_num}_表{i}"
                # 寫入Excel（超過31字符會(huì)被截?cái)?，需處理?
                df.to_excel(writer, sheet_name=sheet_name[:31], index=False)
                print(f"已提?。簕sheet_name}")
        
        writer.close()
        print(f"所有表格（共{table_count}個(gè)）已保存到 {excel_path}")

# 用法：提取所有表格到all_tables.xlsx
extract_all_tables_to_excel("multi_page_report.pdf", "all_tables.xlsx")

import pdfplumber

def extract_invoice_info(pdf_path):
    """提取發(fā)票中的關(guān)鍵信息"""
    with pdfplumber.open(pdf_path) as pdf:
        page = pdf.pages[0]  # 發(fā)票通常只有1頁
        
        # 定義各信息的區(qū)域（需根據(jù)實(shí)際發(fā)票調(diào)整坐標(biāo)）
        regions = {
            "發(fā)票號": (350, 120, 500, 140),  # x0, top, x1, bottom
            "開票日期": (350, 150, 500, 170),
            "總金額": (350, 300, 500, 320)
        }
        
        info = {}
        for key, area in regions.items():
            # 裁剪區(qū)域并提取文本
            text = page.crop(area).extract_text()
            # 清洗文本（去除空格、換行）
            if text:
                info[key] = text.replace("\n", "").strip()
            else:
                info[key] = "未找到"
        
        return info

# 用法：提取發(fā)票信息
invoice_info = extract_invoice_info("invoice.pdf")
print("發(fā)票信息：")
for key, value in invoice_info.items():
    print(f"{key}：{value}")

import pdfplumber
import pytesseract
from PIL import Image

def ocr_scanned_pdf(pdf_path, txt_path):
    """提取掃描版PDF的文本（需安裝Tesseract OCR）"""
    with pdfplumber.open(pdf_path) as pdf, open(txt_path, "w", encoding="utf-8") as f:
        for i, page in enumerate(pdf.pages, start=1):
            # 將PDF頁面轉(zhuǎn)為圖片
            img = page.to_image().original  # 獲取PIL Image對象
            # 用OCR識別圖片中的文本
            text = pytesseract.image_to_string(img, lang="chi_sim")  # 中文識別
            # 寫入TXT
            f.write(f"=== 第 {i} 頁 ===\n")
            f.write(text + "\n\n")
        print(f"掃描版PDF文本已提取到 {txt_path}")

# 用法（需先安裝Tesseract并配置環(huán)境變量）：
# ocr_scanned_pdf("scanned_invoice.pdf", "scanned_text.txt")

with pdfplumber.open("large.pdf") as pdf:
    for page in pdf.pages:
        # 處理當(dāng)前頁...
        text = page.extract_text()
        # 處理完后無需保留page對象