在 Python 中解析 PDF，并不只是打开文件、把内容打印到控制台。真正的解析是从文档中提取信息——文本、表格、表单域和元数据——并将它们组织成字典、列表等 Python 数据结构。这些结构随后可以序列化为 JSON，供下游程序使用。

本教程介绍如何使用 Spire.PDF for Python 在 Python 中解析 PDF。Spire.PDF for Python 是一套独立的 Python PDF 解析库，无需依赖 Adobe Acrobat。你将学会逐页提取文本、把表格解析为行和列、读取已有的表单域值，以及获取文档元数据，并把按页提取的文本与表格结果整合为一个结构化 JSON 对象，交由下游程序处理。

快速导航

1. 在 Python 中解析 PDF 意味着什么？
2. 加载 PDF 并检查其内容
3. 将 PDF 文本解析为结构化数据
4. 将 PDF 表格解析为行和列
5. 提取表单域与文档元数据
6. 处理扫描版 PDF 与特殊情况
7. 在 Python 工作流中使用解析后的 PDF 数据
8. 总结

1. 在 Python 中解析 PDF 意味着什么？

在 Python 中解析 PDF，指的是从文档中提取所需的信息，并整理成程序能够使用的形式。具体做法取决于 PDF 的类型和任务目标：可能是按页收集文本、把表格单元格提取为行和列、读取表单域的值，或是获取文档元数据。针对不同的文档，你还可以把解析与其他技术结合起来，用于定位特定的数据字段。

在本教程中，「读取」泛指访问 PDF 内容，而「解析」侧重于把这些内容提取出来，并整理成便于下游处理的结构。在 PDF 开发中这两个词经常混用，真正的区别在于输出结果：

• 读取 PDF：让你能够访问其中的内容——页面、文本、图像——以便查看或打印文档里有什么。
• 解析 PDF：将提取出的内容组织成数据结构，以页码、行列索引或字段名作为键，使另一个程序无需人工查看就能处理这些结果。

不同的解析目标，需要采用不同的方法：

本指南聚焦于解析文本、表格和表单数据。如果你需要从 PDF 中提取图片，请参考现有的使用 Python 读取 PDF 教程。

2. 加载 PDF 并检查其内容

在解析之前，需要先加载 PDF 文档，并了解它的基本结构——包含多少页、每页的尺寸是多少。

安装 Spire.PDF for Python

pip install spire.pdf

加载并检查 PDF

from spire.pdf import PdfDocument

doc = PdfDocument()
doc.LoadFromFile("sample.pdf")
print(f"页数：{doc.Pages.Count}")
for i in range(doc.Pages.Count):
    page = doc.Pages.get_Item(i)
    print(f"第 {i+1} 页：{page.Size.Width} x {page.Size.Height}")
doc.Close()

这段代码加载一个 PDF 文件，输出总页数，并逐页报告其宽度和高度。LoadFromFile 方法接收文件路径字符串；Pages.Count 返回页数；Pages.get_Item(i) 用于访问单个页面对象。

文档加载完成后，就可以把页面对象传给后续章节中的各类提取器。

3. 将 PDF 文本解析为结构化数据

在 Python 中解析 PDF 时，最常见的任务就是提取文本。下面的做法并没有把所有文本拼成一个长字符串，而是以页码为键，把每页的文本存入字典。这样一来，下游代码可以直接按页查找，无需拆分字符串或跟踪偏移量。

import json
from spire.pdf import PdfDocument, PdfTextExtractor, PdfTextExtractOptions

doc = PdfDocument()
doc.LoadFromFile("sample.pdf")

# 将文本解析为结构化字典：{页码: 文本}
parsed_text = {}
for i in range(doc.Pages.Count):
    page = doc.Pages.get_Item(i)
    extractor = PdfTextExtractor(page)
    options = PdfTextExtractOptions()
    options.IsExtractAllText = True
    parsed_text[i + 1] = extractor.ExtractText(options)

doc.Close()

# 序列化，供下游处理
with open("parsed_text.json", "w", encoding="utf-8") as f:
    json.dump(parsed_text, f, ensure_ascii=False, indent=2)

这里为每一页创建 PdfTextExtractor，并通过设置 IsExtractAllText = True 的 PdfTextExtractOptions 指示提取器获取该页的全部文本。结果保存在 parsed_text 中，这是一个以页码（从 1 开始）为键、以文本内容为值的字典。最后，该字典被序列化为 JSON。

PdfTextExtractOptions 类还提供了 IsSimpleExtraction 属性，它采用不同的换行处理方式。本教程的示例统一使用 IsExtractAllText = True，以获得更完整的文本。针对具体文档，你也可以尝试 IsSimpleExtraction，并保留输出与你内容最相符的那个选项。

需要注意，JSON 的键始终是字符串（"1"、"2"），但这并不影响该字典作为下游程序输入的价值——需要时可以用 int(k) 把键转回整数。

如果你需要对文本提取进行更精细的控制——例如提取指定区域的文本、用正则表达式搜索或替换文本——请参阅文本提取教程。

4. 将 PDF 表格解析为行和列

许多 PDF 文档都包含表格数据——发票、报表、财务报表。PdfTableExtractor 类能够识别并提取 PDF 页面中的表格。它返回的表格对象可编程访问其行、列和单元格文本，并遵循表格本身的布局（包括合并单元格）。下面的代码遍历所有页面，提取找到的每一张表格，并将结果保存为字典列表。

import json
from spire.pdf import PdfDocument, PdfTableExtractor

doc = PdfDocument()
doc.LoadFromFile("sample.pdf")

extractor = PdfTableExtractor(doc)
all_tables = []

for page_idx in range(doc.Pages.Count):
    tables = extractor.ExtractTable(page_idx) or []
    for table in tables:
        rows = table.GetRowCount()
        cols = table.GetColumnCount()
        table_data = []
        for r in range(rows):
            row = [table.GetText(r, c) for c in range(cols)]
            table_data.append(row)
        all_tables.append({"page": page_idx + 1, "data": table_data})

doc.Close()

# 输出结果（含空表保护）
for t in all_tables:
    row_count = len(t["data"])
    col_count = len(t["data"][0]) if row_count else 0
    print(f"第 {t['page']} 页：{row_count} 行 x {col_count} 列")

# 序列化，供下游处理
with open("parsed_tables.json", "w", encoding="utf-8") as f:
    json.dump(all_tables, f, ensure_ascii=False, indent=2)

ExtractTable 方法返回指定页索引上找到的表格对象列表。or [] 这一保护同时处理空列表和可能返回 None 的情况。对于每张表格，GetRowCount 和 GetColumnCount 给出其尺寸，GetText(row, col) 则读取指定位置的单元格内容。当某一页没有表格时，代码也能从容处理——循环体不会执行。

输出循环使用了一个显式的空表保护判断（len(t["data"][0]) if row_count else 0），避免表格行数为零时抛出 IndexError。

如果你需要把表格导出为 Excel 格式而非 JSON，请参阅 PDF 转 Excel 转换教程。

5. 提取表单域与文档元数据

PDF 表单中包含供用户填写的交互式字段——文本框、复选框、列表框。以编程方式解析这些字段，可以自动收集已填写表单中的数据。此外，你还可以提取 PDF 文档的元数据（标题、作者、主题、关键字），用于归档与检索。

解析表单域的值

from spire.pdf import (
    PdfDocument,
    PdfFormWidget,
    PdfTextBoxFieldWidget,
)

doc = PdfDocument()
doc.LoadFromFile("form.pdf")
form = PdfFormWidget(doc.Form)

fields = {}
for i in range(form.FieldsWidget.Count):
    field = form.FieldsWidget.get_Item(i)
    if isinstance(field, PdfTextBoxFieldWidget):
        fields[field.Name] = field.Text

print(fields)
doc.Close()

这段代码用 PdfFormWidget 包装文档的表单，然后遍历所有表单域。isinstance 判断专门筛选文本框字段——PdfTextBoxFieldWidget——并将每个字段的名称和值存入字典。

这个示例读取的是表单中已定义的文本框字段的值。关于其他字段类型（复选框、列表框、签名域）的详细说明，请参阅表单域提取教程。

解析文档元数据

from spire.pdf import PdfDocument

doc = PdfDocument()
doc.LoadFromFile("sample.pdf")
info = doc.DocumentInformation
metadata = {
    "title": info.Title, "author": info.Author,
    "subject": info.Subject, "keywords": info.Keywords
}
print(metadata)
doc.Close()

DocumentInformation 属性提供了访问 PDF 元数据字段的入口。每个字段都以字符串形式读取，并存入一个便于访问的字典。

6. 处理扫描版 PDF 与特殊情况

大多数 PDF 可以直接解析。少数文档需要额外的步骤或配合其他技术，下表列出这些情况并指向相应的指导内容：

对于没有文本层的纯图片扫描 PDF，你看到的内容是以页面图像而非可提取文本的形式存储的。OCR 能够识别这些图像中的文字。完整的 OCR 实现请参见OCR 教程，此处不再重复。

当页面采用多栏或不规则的版式时，基于区域的提取让你可以按坐标定位某个区域，从而保持你所期望的阅读顺序。

7. 在 Python 工作流中使用解析后的 PDF 数据

前面几节分别产生了独立的数据结构：parsed_text（按页文本组成的字典）和 all_tables（表格数据组成的列表）。在实际使用中，往往需要一份统一的文档表示，把文本与表格按页合并在一起。

下面的代码把两个结果合并为一个结构。该示例假设你已在同一个 Python 会话中运行过前面的文本提取和表格提取示例。

import json

# 复用前面章节的 parsed_text 和 all_tables
unified = {"pages": []}
for page_num in sorted(parsed_text.keys()):
    page_tables = [t["data"] for t in all_tables if t["page"] == page_num]
    unified["pages"].append({
        "page": page_num,
        "text": parsed_text[page_num],
        "tables": page_tables
    })

with open("parsed_document.json", "w", encoding="utf-8") as f:
    json.dump(unified, f, ensure_ascii=False, indent=2)

这份统一结构由开发者根据前面得到的文本字典和表格列表、以页码为关联来组合而成。组装完成后，提取出的数据可以转换为 pandas DataFrame 用于分析，映射到数据库字段，或发送到另一个 API 端点。需要注意，统一后的 JSON 是嵌套结构；若要将其转换为扁平的 DataFrame，需要选取特定字段或展开表格数据。

在这个工作流中，解析带来的实际收益在于：提取出的文本与表格数据被组织成一种统一的表示，下游程序可以直接使用。

8. 总结

在 Python 中解析 PDF，远不止提取文本那么简单。借助 Spire.PDF for Python，你可以把按页文本组织成字典、把表格提取为行和列，并读取已有的表单域值和文档元数据。

这些结果可以合并为统一的 JSON 结构，供下游处理使用，例如数据分析、数据库存储或与其他应用集成。具体方法取决于 PDF 的内容：纯图片的扫描页面用 OCR 处理，多栏或版式复杂的页面则可以用契合其布局的提取选项来解析。

为你的应用选择合适的提取方式，并把结果整理成便于使用的结构，就能构建出一套契合自身数据处理需求的 PDF 解析工作流。

如果需要在真实业务环境中测试 Spire.PDF for Python，可以申请临时许可证。