你一定遇到过：收到一份 PDF 报告，领导让你把里面的关键数据整理出来。你打开 PDF，一页一页复制粘贴，格式乱了还要手动调。几百页的文档，复制到怀疑人生。
这篇教你用 Python 批量提取 PDF 文本，支持单页、全文、按页码范围、批量文件夹四种模式，复制代码直接用。
01 为什么选 pdfplumber 做文本提取
Python 提取 PDF 文本的方案有好几种，各有优劣：
PyPDF2：能提取文本，但对复杂排版（多栏、表格内嵌文字）处理较差，经常出现文字顺序错乱。
pdfplumber：基于 pdfminer.six 开发，文本提取精度更高，能保留页码、位置信息，还能顺便提取表格。本文主力推荐。
pdfminer.six：pdfplumber 的底层库，功能强但 API 偏底层，用起来麻烦。
安装（上一篇已装过，这里确认一下）：
02 基础提取：单份 PDF 全文提取
先从最简单的开始，把一份 PDF 的所有文字提取出来：
import pdfplumberpdf_path = "report.pdf"with pdfplumber.open(pdf_path) as pdf: full_text = "" for page in pdf.pages: text = page.extract_text() if text: full_text += text + "\n\n" print(f"共 {len(pdf.pages)} 页") print(f"提取到 {len(full_text)} 个字符") print("--- 前500字预览 ---") print(full_text[:500])
关键说明：
pdfplumber.open() 用上下文管理器（with 语句），自动释放资源，这是最佳实践。page.extract_text()返回当前页的文本字符串，空白页返回 None，所以要加判断。
03 导出为 TXT 文件
提取出来的文本要保存成文件，方便后续处理：
import pdfplumberpdf_path = "report.pdf"output_path = "report_text.txt"with pdfplumber.open(pdf_path) as pdf: full_text = "" for page_num, page in enumerate(pdf.pages, start=1): text = page.extract_text() if text: full_text += f"===== 第 {page_num} 页 =====\n{text}\n\n"with open(output_path, "w", encoding="utf-8") as f: f.write(full_text)print(f"文本已导出到: {output_path}")
注意必须指定 encoding="utf-8"，否则 Windows 下默认 GBK 编码，中文会乱码。
04 按页码范围提取
有时候只需要某几页的内容，比如合同的第 3 到第 5 页：
import pdfplumberpdf_path = "contract.pdf"start_page = 3 # 从第3页开始end_page = 5 # 到第5页结束with pdfplumber.open(pdf_path) as pdf: # pdfplumber页码从0开始，所以要减1 for page_num in range(start_page - 1, end_page): page = pdf.pages[page_num] text = page.extract_text() print(f"===== 第 {page_num + 1} 页 =====") print(text) print()
05 批量提取整个文件夹
这才是职场真正的刚需：一个文件夹里几十上百份 PDF，全部提取文本保存。
import pdfplumberimport ospdf_dir = "./pdf_files"output_dir = "./extracted_text"# 创建输出文件夹os.makedirs(output_dir, exist_ok=True)# 获取所有PDF文件pdf_files = [f for f in os.listdir(pdf_dir) if f.lower().endswith(".pdf")]success_count = 0fail_count = 0for filename in pdf_files: pdf_path = os.path.join(pdf_dir, filename) txt_filename = os.path.splitext(filename)[0] + ".txt" txt_path = os.path.join(output_dir, txt_filename) try: with pdfplumber.open(pdf_path) as pdf: full_text = "" for page_num, page in enumerate(pdf.pages, start=1): text = page.extract_text() if text: full_text += f"===== 第 {page_num} 页 =====\n{text}\n\n" with open(txt_path, "w", encoding="utf-8") as f: f.write(full_text) print(f"✓ {filename} → {txt_filename}") success_count += 1 except Exception as e: print(f"✗ {filename} 失败: {str(e)}") fail_count += 1print(f"\n完成！成功 {success_count} 个，失败 {fail_count} 个")
为什么加 try-except？ 批量处理时，某个 PDF 损坏、加密、格式异常很常见。加异常捕获保证一个文件失败不会中断整个批量任务，最后还能统计成功率。
06 进阶：提取带位置信息的文本
普通提取只能拿到文字内容，但如果你需要知道 "某段文字在页面的哪个位置"（比如做数据定位、区域提取），用 extract_words()：
import pdfplumberwith pdfplumber.open("report.pdf") as pdf: page = pdf.pages[0] words = page.extract_words() # 每个word是一个字典，包含文字和坐标 for w in words[:10]: # 看前10个词 print(f"文字: {w['text']}, x0: {w['x0']:.1f}, top: {w['top']:.1f}")
返回的每个词包含：text（文字）、x0（左边界）、x1（右边界）、top（上边界）、bottom（下边界）。有了坐标信息，你可以精确提取页面某个区域的文字。
按区域提取文本示例：
import pdfplumberwith pdfplumber.open("report.pdf") as pdf: page = pdf.pages[0] # 只提取页面上半部分 cropped = page.crop((0, 0, page.width, page.height / 2)) text = cropped.extract_text() print(text)
crop() 的参数是 (x0, top, x1, bottom)，单位是 PDF 的 point（1/72 英寸）。这个功能在处理固定格式的表单、发票时特别有用。
07 常见坑与解决方案
坑 1：提取出来的文字顺序错乱
多栏排版的 PDF，pdfplumber 默认按阅读顺序提取，但偶尔会出问题。可以尝试 page.extract_text(x_tolerance=3, y_tolerance=3)，调整容差参数。
坑 2：提取出来是空的
大概率是扫描版 PDF（图片型 PDF）。这种 PDF 没有文字层，需要 OCR 识别。可以用 pytesseract+PIL，或者调用百度 / 腾讯 OCR API。
坑 3：特殊字符乱码
某些 PDF 使用了自定义字体编码，提取出来会是乱码。这种情况比较难处理，可以尝试用 pdfminer.six 的底层 API 指定字符映射，或者换用 OCR 方案。
坑 4：密码保护的 PDF
加密 PDF 无法直接提取，会报错。需要先解密，第④篇专门讲。
写在最后
文本提取是 PDF 自动化中最基础也最实用的技能。掌握了批量提取，你就可以把几百份 PDF 的内容快速变成可搜索、可分析的文本数据。
10个月宝宝每天需要喝多少奶粉？
