Офис и PDF

Извлечь текст из PDF

Сохраняет текстовый слой PDF в файл, поддерживает выбор страниц и режим с раскладкой.

Python Windows macOS Linux Новичок
Скачать extract_pdf_text.py
Описание

Что делает скрипт

Скрипт открывает PDF через pdfplumber и собирает текст выбранных страниц в один файл. Режим --layout сохраняет примерные отступы, а разделители помогают найти начало каждой страницы. Сканированные документы без текстового слоя нужно сначала распознать через OCR.

Запуск

Быстрый старт

python extract_pdf_text.py document.pdf

Скачайте файл, откройте терминал в папке со скриптом и выполните команду. В Linux и macOS интерпретатор может называться python3, в Windows - python или py.

Примеры

Другие варианты

  • python extract_pdf_text.py book.pdf --pages 1-10
  • python extract_pdf_text.py report.pdf --layout --outdir text
Зависимости

Что понадобится

Python 3.10+ Интерпретатор и стандартная библиотека
Windows winget install Python.Python.3.12
macOS brew install python
Linux sudo apt install python3
pdfplumber
Windows py -m pip install pdfplumber
macOS python3 -m pip install pdfplumber
Linux python3 -m pip install pdfplumber
Исходник

extract_pdf_text.py

#!/usr/bin/env python3
"""Извлечение текстового слоя PDF в обычный текст."""
from __future__ import annotations

import argparse
import sys
from pathlib import Path

import pdfplumber


def parse_pages(spec: str, total: int) -> list[int]:
    pages: set[int] = set()
    for part in spec.split(","):
        part = part.strip()
        if not part:
            continue
        if "-" in part:
            left, right = part.split("-", 1)
            start = int(left) if left.strip() else 1
            end = int(right) if right.strip() else total
            pages.update(range(start, end + 1))
        else:
            pages.add(int(part))
    return sorted(page for page in pages if 1 <= page <= total)


def main() -> int:
    parser = argparse.ArgumentParser(description="Извлечь текст из PDF")
    parser.add_argument("input", type=Path, help="Исходный PDF")
    parser.add_argument("--pages", help="Страницы, например 1-5,8")
    parser.add_argument("--layout", action="store_true", help="Сохранить примерную раскладку")
    parser.add_argument("--outdir", type=Path, default=Path("text"), help="Папка результатов")
    parser.add_argument("--force", action="store_true", help="Перезаписать результат")
    args = parser.parse_args()

    path = args.input.expanduser()
    if not path.is_file():
        print(f"Файл не найден: {path}", file=sys.stderr)
        return 2

    target = args.outdir.expanduser() / f"{path.stem}.txt"
    if target.exists() and not args.force:
        print(f"Файл уже существует: {target}. Добавьте --force.", file=sys.stderr)
        return 2

    try:
        with pdfplumber.open(str(path)) as pdf:
            total = len(pdf.pages)
            selected = parse_pages(args.pages, total) if args.pages else list(range(1, total + 1))
            parts: list[str] = []
            for number in selected:
                page = pdf.pages[number - 1]
                text = page.extract_text(layout=args.layout) or ""
                parts.append(f"===== Страница {number} =====\n{text.strip()}")
    except Exception as error:
        print(f"Не удалось прочитать PDF: {error}", file=sys.stderr)
        return 1

    content = "\n\n".join(parts) + "\n"
    target.parent.mkdir(parents=True, exist_ok=True)
    target.write_text(content, encoding="utf-8")
    print(f"Готово: {target}")
    print(f"Страниц: {len(selected)}, символов: {len(content)}")
    return 0


if __name__ == "__main__":
    raise SystemExit(main())

Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get office-pdf-extract-text
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Офис и PDF

PDF, Word, Excel, презентации, документы и печать.