pip install Spire.Pdf

from spire.pdf import *
from spire.pdf.common import *

def extract_full_text(pdf_path, output_txt_path):
    """
    從PDF文檔中提取所有文本并保存到TXT文件。
    """
    # 創(chuàng)建PdfDocument對(duì)象
    doc = PdfDocument()
    
    # 加載PDF文件
    doc.LoadFromFile(pdf_path)
    
    # 用于存儲(chǔ)所有頁(yè)面的文本
    full_text = ""
    
    # 遍歷PDF文檔中的每一頁(yè)
    for i in range(doc.Pages.Count):
        page = doc.Pages.get_Item(i)
        
        # 創(chuàng)建PdfTextExtractor對(duì)象
        text_extractor = PdfTextExtractor(page)
        
        # 提取當(dāng)前頁(yè)面的文本
        # PdfTextExtractOptions可以用于配置提取行為，這里使用默認(rèn)設(shè)置
        page_text = text_extractor.ExtractText(PdfTextExtractOptions())
        full_text += page_text + "\n" # 添加換行符以分隔頁(yè)面內(nèi)容
        
    # 將提取的文本保存到文件
    with open(output_txt_path, "w", encoding="utf-8") as f:
        f.write(full_text)
        
    # 關(guān)閉文檔
    doc.Close()
    print(f"文本已成功從 {pdf_path} 提取并保存到 {output_txt_path}")

# 示例用法
pdf_file = "sample.pdf" # 替換為您的PDF文件路徑
output_file = "sample_full_text.txt"
# 假設(shè)您有一個(gè)名為sample.pdf的文件
# extract_full_text(pdf_file, output_file)

from spire.pdf import *
from spire.pdf.common import *

def extract_page_text(pdf_path, page_number, output_txt_path):
    """
    從PDF文檔的指定頁(yè)面提取文本并保存到TXT文件。
    """
    if page_number < 1:
        print("頁(yè)碼必須大于或等于1。")
        return

    doc = PdfDocument()
    doc.LoadFromFile(pdf_path)

    if page_number > doc.Pages.Count:
        print(f"頁(yè)碼 {page_number} 超出文檔總頁(yè)數(shù) {doc.Pages.Count}。")
        doc.Close()
        return

    # PDF頁(yè)碼是基于0的索引，所以需要減1
    page = doc.Pages.get_Item(page_number - 1) 
    
    text_extractor = PdfTextExtractor(page)
    page_text = text_extractor.ExtractText(PdfTextExtractOptions())
    
    with open(output_txt_path, "w", encoding="utf-8") as f:
        f.write(page_text)
        
    doc.Close()
    print(f"第 {page_number} 頁(yè)的文本已成功從 {pdf_path} 提取并保存到 {output_txt_path}")

# 示例用法
extract_page_text(pdf_file, 2, "sample_page_2_text.txt") # 提取第2頁(yè)文本

from spire.pdf import *
from spire.pdf.common import *


def extract_region_text(pdf_path, page_number, x, y, width, height, output_txt_path):
    """
    從PDF文檔的指定頁(yè)面的特定區(qū)域提取文本。
    坐標(biāo) (x, y) 為區(qū)域左上角，width 和 height 定義區(qū)域大小。
    """
    doc = PdfDocument()
    doc.LoadFromFile(pdf_path)

    if page_number < 1 or page_number > doc.Pages.Count:
        print(f"無效頁(yè)碼 {page_number}。")
        doc.Close()
        return

    page = doc.Pages.get_Item(page_number - 1)

    # 定義提取區(qū)域 (RectangleF)
    # 這里的坐標(biāo)系統(tǒng)通常以點(diǎn)為單位，原點(diǎn)在頁(yè)面左下角或左上角，
    # 具體的原點(diǎn)位置和單位可能需要根據(jù)實(shí)際PDF和庫(kù)的實(shí)現(xiàn)進(jìn)行調(diào)整。
    # Spire.PDF通常使用左上角為原點(diǎn)，單位為點(diǎn)。
    extract_area = RectangleF.FromLTRB(x, y, x + width, y + height)

    text_extractor = PdfTextExtractor(page)
    options = PdfTextExtractOptions()
    options.ExtractArea = extract_area  # 設(shè)置提取區(qū)域

    region_text = text_extractor.ExtractText(options)

    with open(output_txt_path, "w", encoding="utf-8") as f:
        f.write(region_text)

    doc.Close()
    print(f"從 {pdf_path} 第 {page_number} 頁(yè)的指定區(qū)域提取文本并保存到 {output_txt_path}")

# 示例用法：假設(shè)我們想從第1頁(yè)的 (100, 100) 位置開始，提取一個(gè) 200x50 的區(qū)域
pdf_file = "sample.pdf"
extract_region_text(pdf_file, 1, 20, 200, 200, 80, "sample_region_text.txt")

from spire.pdf import *
from spire.pdf.common import *
import csv
import os

def extract_tables_from_pdf(pdf_path, output_dir):
    """
    從PDF文檔中提取所有表格數(shù)據(jù)，并分別保存為CSV文件。
    每個(gè)表格對(duì)應(yīng)一個(gè)CSV文件。
    """
    doc = PdfDocument()
    doc.LoadFromFile(pdf_path)

    # 如果輸出目錄不存在，則創(chuàng)建
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)

    table_count = 0

    for i in range(doc.Pages.Count):

        # 創(chuàng)建 PdfTableExtractor 對(duì)象
        table_extractor = PdfTableExtractor(doc)

        # 查找頁(yè)面中的表格（True 表示自動(dòng)檢測(cè)）
        tables = table_extractor.ExtractTable(i)

        if tables:
            print(f"在第 {i + 1} 頁(yè)找到 {len(tables)} 個(gè)表格。")

            for table_index, table in enumerate(tables):
                table_count += 1

                # 構(gòu)造 CSV 文件名
                csv_file_name = f"Page_{i + 1}_Table_{table_index + 1}.csv"
                csv_file_path = os.path.join(output_dir, csv_file_name)

                # 寫入 CSV 文件
                with open(csv_file_path, mode="w", newline="", encoding="utf-8-sig") as csv_file:
                    writer = csv.writer(csv_file)

                    for row_index in range(table.GetRowCount()):
                        row_data = []
                        for column_index in range(table.GetColumnCount()):
                            cell_text = table.GetText(row_index, column_index)
                            row_data.append(cell_text)
                        writer.writerow(row_data)

                print(f"表格已保存：{csv_file_path}")

    doc.Close()

    if table_count == 0:
        print(f"未在 {pdf_path} 中找到任何表格。")
    else:
        print(f"共提取并保存了 {table_count} 個(gè)表格。")

# 示例用法
extract_tables_from_pdf("sample.pdf", "output_csv")