Skip to content

剖析PDF檔內容

PDF 檔案中的文字可以透過 Python 套件 提取，例如：

  • PyPDF2 → 適用於大多數標準 PDF
  • pdfplumber → 解析格式較複雜的 PDF（推薦）
  • pdfminer.six → 適用於需要高度解析的 PDF

🔹 方法 1：使用 PyPDF2（適用於大部分 PDF）

PyPDF2 可以提取 PDF 內的純文字：

import PyPDF2

# 開啟 PDF 檔案
with open("example.pdf", "rb") as pdf_file:
    reader = PyPDF2.PdfReader(pdf_file)

    # 讀取每一頁的文字
    text = ""
    for page in reader.pages:
        text += page.extract_text() + "\n"

print(text)  # 印出 PDF 內的文字

✅ 適用：一般 PDF，可處理標準文字
❌ 限制：格式可能會亂掉，無法處理掃描型 PDF

🔹 方法 2：使用 pdfplumber（適用於表格與格式較複雜的 PDF）

import pdfplumber

# 開啟 PDF
with pdfplumber.open("example.pdf") as pdf:
    text = ""
    for page in pdf.pages:
        text += page.extract_text() + "\n"

print(text)

✅ 適用：能處理 表格、欄位對齊的內容，格式較穩定
❌ 限制：仍無法處理掃描 PDF

🔹 方法 3：使用 pdfminer.six（適用於高精度解析）

from pdfminer.high_level import extract_text

text = extract_text("example.pdf")
print(text)

✅ 適用：更準確解析文字、格式
❌ 限制：比 PyPDF2 慢，API 較複雜

📌 總結

方法 適用情境 優點 缺點
PyPDF2 一般 PDF 簡單易用 格式可能會亂
pdfplumber 表格、格式複雜的 PDF 解析準確度較高 速度稍慢
pdfminer.six 需要高度解析 更準確保留格式 API 較複雜

如果你有 一般的 PDF 文件，推薦 pdfplumber 或 PyPDF2。

參考資料