pdfminer.six

pdfminer MITpdfminersix.readthedocs.io

pdfminer.six 是纯 Python 实现的 PDF 信息提取工具，专注文本数据的获取与分析，可拿到文字内容、位置、字体、颜色，也能提取图片、表单和目录。

20260107
发布于: 2026年1月7日; 7,039
星标: 1,446
下载
同步于: 8 天前

最新版本

202601072026年1月7日 21:29

下载慢？可在上方随时切换镜像源

项目说明

项目概述

pdfminer.six 是原版 PDFMiner 的社区维护分支，用于从 PDF 文档中提取信息，重点是文本数据的获取与分析。它直接解析 PDF 内部结构来抽取页面文字，还能拿到文字的精确位置、字体与颜色；整体按模块化设计，各组件都可以被替换以做扩展。

项目	内容
平台	跨平台（纯 Python）
语言	Python 3.10+
许可	MIT
命令行工具	pdf2txt.py

从 PDF 里挖出文字、位置、字体与颜色，纯 Python 就能跑。

主要功能

文本提取：直接从 PDF 内部结构解析并抽取页面文字
版面分析：自动分析布局，输出文本在页面中的位置、字体与颜色
多格式输出：内容可导出为文本、HTML 或 hOCR
图片提取：支持 JPG、PNG、TIFF、JBIG2 等内嵌图像的抽取
CJK 与竖排：支持中日韩语言和竖排文字
加密文档：支持 RC4 与 AES 加密的 PDF 解密
表单提取：可读取 AcroForm 交互表单内容
目录提取：支持抽取书签目录与带标签内容

适用人群

文档自动化与 RPA 开发者
做数据分析与档案数字化的工程团队
处理多语言 PDF 的国际化项目
需要自研 PDF 解析组件的开发者

快速上手

安装

pip install pdfminer.six

用命令行抽取文本

pdf2txt.py example.pdf

在代码中调用高层接口

from pdfminer.high_level import extract_text

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

需要提取图片时安装附加依赖

pip install 'pdfminer.six[image]'

核心优势

纯 Python：无系统级 PDF 库依赖，安装部署简单
细节可挖：不止文本内容，位置、字体、颜色都能拿到
模块化设计：解析、解释、渲染各组件可独立替换扩展

系统要求

项目	要求
语言	Python 3.10 或更新
操作系统	跨平台
可选依赖	提取图像需安装 image 附加包

注意事项

扫描件无效：纯图片扫描版 PDF 没有文字层，需另配 OCR 方案
复杂版面需调参：表格、多栏等排版可能需要自行分析布局参数

历史版本

排序