如何快速提取PDF文本？免费开源的pdftotext工具全攻略 🚀

在日常工作和学习中，我们经常需要从PDF文档中提取文字内容，但手动复制效率低下且容易出错。今天为你推荐一款高效PDF文本提取工具——pdftotext，它能帮助你轻松将PDF文件转换为可编辑的纯文本，让文档处理效率提升10倍！

📌 什么是pdftotext？

pdftotext是一款轻量级的PDF文本提取工具，基于Python开发，底层采用Poppler库实现高效解析。它支持批量处理多页PDF、提取加密文档内容，甚至能保留原始排版结构，是程序员、研究员和办公人士的必备效率工具。

📥 3步快速安装pdftotext

1️⃣ 准备系统依赖

不同操作系统需先安装基础依赖库：

• Ubuntu/Debian：sudo apt-get install libpoppler-cpp-dev
• CentOS/RHEL：sudo yum install poppler-cpp-devel
• macOS：brew install poppler

2️⃣ 获取源码仓库

git clone https://gitcode.com/gh_mirrors/pd/pdftotext
cd pdftotext

3️⃣ 安装Python包

pip install .

💻 5种实用提取场景演示

基础文本提取（单页/多页）

import pdftotext

with open("tests/two_pages.pdf", "rb") as f:
    pdf = pdftotext.PDF(f)
    
# 获取总页数
print(f"文档页数: {len(pdf)}")
# 提取第2页文本
print(pdf[1])

处理加密PDF文件

with open("tests/user_password.pdf", "rb") as f:
    # 使用密码解密
    pdf = pdftotext.PDF(f, "password")
    print(pdf[0])

批量提取目录下所有PDF

import os

for filename in os.listdir("tests/"):
    if filename.endswith(".pdf"):
        with open(f"tests/{filename}", "rb") as f:
            pdf = pdftotext.PDF(f)
            print(f"📄 {filename}: {len(pdf)}页")

提取表格内容

pdftotext能智能识别表格结构，保留行列排版：

with open("tests/table.pdf", "rb") as f:
    pdf = pdftotext.PDF(f)
    print("表格内容:\n", pdf[0])

处理特殊格式文档

支持横向/纵向页面转换，如提取90度旋转的PDF：

with open("tests/landscape_90.pdf", "rb") as f:
    pdf = pdftotext.PDF(f)
    print("横向文档内容:\n", pdf[0])

✨ pdftotext核心优势

✅ 超轻量级：核心代码仅一个pdftotext.cpp文件
✅ 极速解析：100页PDF平均提取时间<2秒
✅ 全平台支持：兼容Windows/macOS/Linux
✅ 零成本使用：完全开源免费，无功能限制
✅ 丰富测试用例：内置12种测试文档（tests/目录）

🛠️ 常见问题解决

依赖安装失败？

检查setup.py文件中的依赖配置，或直接使用系统包管理器安装Poppler。

加密文档无法打开？

确认密码正确性，区分用户密码和所有者密码（tests/both_passwords.pdf可测试）。

中文乱码怎么办？

确保系统已安装中文字体，或在提取后使用chardet库检测编码：

import chardet
text = pdf[0].encode("latin-1")
encoding = chardet.detect(text)["encoding"]
print(text.decode(encoding))

📚 进阶学习资源

• 测试用例参考：tests/test_pdftotext.py
• 源码实现：pdftotext.cpp
• 版本更新记录：CHANGES.md

现在就用pdftotext解放你的PDF文本吧！无论是处理学术论文、合同文档还是报表数据，这款工具都能让文本提取变得简单高效。如有使用问题，欢迎查看项目LICENSE文件了解贡献指南，一起完善这个实用工具！