python版提取 PDF 的常用第三方库与工具

之前有分享过一些处理常见格式文件的策略，今天分享一些非常比较好用提取python生态下的第三方库以及工具。

一、python的几个第三方库

1、PyMUPDF ——通用打法

首当其冲的就是PyMuPDF了，它又叫fitz。很多人直接 import fitz，它的包名叫 PyMuPDF，是基于 MuPDF 引擎的 Python 第三方库，用于 PDF、XPS、EPUB 等文档处理，PDF 文本 / 图片提取能力极强，速度快、占用低。

注意：在安装这个模块的时候，命令是pip install PyMuPDF，不是pip install fitz！fitz 只是导入时的模块名，安装包叫PyMuPDF。

常用API：

1、打开文档提取所有文本

import fitz  # PyMuPDFdoc = fitz.open("document.pdf")for page in doc:    text = page.get_text()    images = page.get_images(full=True)

注意： 中文混合排版时，文本顺序可能不完美，但大部分场景够用。

2. pdfplumber — 表格提取之王

特点： 在 pdfminer.six 之上封装，提供精确的字符级定位和可视化调试。提取表格时能精确识别单元格边界。

最佳场景： 报表、发票、结构化表格数据。

import pdfplumberwith pdfplumber.open("invoice.pdf") as pdf:    for page in pdf.pages:        tables = page.extract_tables()        text = page.extract_text()

注意： 比 PyMuPDF 慢，处理大文件（几百页）时明显。

3. Camelot — 表格专项

特点： 提供两种模式 — Lattice（有边框线）和 Stream（无边框线，靠空格对齐）。内置准确度评分。

最佳场景： 复杂表格、无边框表格、需要高精度表格场景。

import camelottables = camelot.read_pdf("report.pdf", flavor="lattice")tables[0].df  # 转为 DataFrametables[0].accuracy  # 准确度评分

注意： 依赖 Ghostscript 和 OpenCV，安装稍麻烦。Windows 上配置环境变量劝退过不少人。

二、OCR 方案（图片型）

当 PDF 是扫描件（图片组成），上述所有库都无能为力，必须 OCR。

1. PaddleOCR — 中文 OCR 王者

百度出品，中文识别效果目前最强。内置版面分析，能识别表格结构。

from paddleocr import PaddleOCRocr = PaddleOCR(use_angle_cls=True, lang="ch")result = ocr.ocr("scanned.pdf", cls=True)

注意： 模型较大（~15MB），首次加载慢。GPU 加速后性能不错。

2. EasyOCR — 开箱即用

import easyocrreader = easyocr.Reader(["ch_sim", "en"])result = reader.readtext("scan.pdf")

注意： 速度慢，精度中等，但 API 最简单。

三、推荐组合

除了以上一些python的第三方库，另外还有一些工具。

四、PDF 提取工具

1. Marker — 转 Markdown 的首选

将 PDF 快速转为 Markdown，内置 OCR 兜底、版面分析、公式识别。

pip install marker-pdfmarker /path/to/pdf /path/to/output

特点： 输出干净，支持多语言、表格、公式。比传统库的提取结果更"像人读的"。

缺点： 需要 GPU 才能跑得快，纯 CPU 慢。

2. Docling

IBM 开源，基于深度学习做版面理解和文档解析。输出 Markdown 或 JSON，支持表格、图片、标题层级识别。

from docling.document_converter import DocumentConverterconverter = DocumentConverter()result = converter.convert("report.pdf")print(result.document.export_to_markdown())

特点： 深度理解文档结构，不只是"把文字串起来"。

3. MinerU（PDF-Extract-Kit）

上海 AI Lab 开源，学术论文提取精度很高，支持公式 LaTeX 还原。

特点： 学术场景最强，排版还原度好。

4. LlamaParse（云服务）

LlamaIndex 旗下的 PDF 解析服务，API 调用，支持表格、图片、复杂排版。

from llama_parse import LlamaParseparser = LlamaParse(result_type="markdown")docs = parser.load_data("report.pdf")

特点： 精度极高，但按页收费，适合小批量高质量需求。

怎么选？

总结： 先判断 PDF 复杂度。简单报表用 PyMuPDF/pdfplumber。复杂排版/学术论文/多栏布局，直接上 Marker 或 Docling，省得自己调参。

如果各位观众姥爷觉得有帮助的话，希望可以一键三连！你的点赞关注是我持续创作的动力。