PDFminer.six文字提取库
PDF 文档的利器非PDFminer.six莫属了。压缩包pdfminer.six-master.zip里是它的完整源码，拿来就能用，不折腾。
文本提取的能力挺强，复杂排版也能扒得干干净净，原始结构还能保住，这点真的太香了。别的库一搞多栏就乱套，它就比较稳。
除了文字，像字体大小、颜色、样式这些也能识别出来。有时候做个格式或者转别的格式，还挺方便的。
虽然主打文字提取，但图片也能抓，配合PIL或者OpenCV再搞点图像识别也不难，就是得多动点脑筋。
要是你做文档管理，那元数据提取可不能少，作者、创建时间、标题啥的它都能顺出来，干净利落。
想自定义点流程也行，PDFminer.six 的解析器挺灵活，事件器你也可以自己写，想怎么搞就怎么搞。
自带的命令行工具pdf2txt.py用起来丝滑，直接转成纯文本，省了不少事。
最让我舒服的是它的API 设计，思路清楚，接口也不复杂，集成进你现有的 Python 项目毫无压力。
对多语言的支持也挺友好，中文、日文这些都能识别，不用额外调字体编码啥的，省心。
你还可以选定页面或者区域提取，想抓哪段就抓哪段，提取指定内容轻松。是只 PDF 某几页时，效率提升挺。
哦对了，文字方向这种小细节也能调，比如竖排文本你也能搞定，整体灵活性不错。如果你经常和 PDF 打交道，这个库可以说是少不了。
如果你想快速试用，直接下pdfminer.six-master.zip压缩包就行，跑个pip install .或者看下setup.py，几分钟搞定。
文件大小：10.07MB
评论区