Извлечь текст из PDF
Сохраняет текстовый слой PDF в файл, поддерживает выбор страниц и режим с раскладкой.
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.
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.
Другие варианты
python extract_pdf_text.py book.pdf --pages 1-10python extract_pdf_text.py report.pdf --layout --outdir text
Что понадобится
winget install Python.Python.3.12
brew install python
sudo apt install python3
py -m pip install pdfplumber
python3 -m pip install pdfplumber
python3 -m pip install pdfplumber
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.