如何輕鬆從 PDF 中提取文字？3 大 Python 工具深度解析 (含 PDFtoTXT 範例)

在 Python 中提取 PDF 文字（PDFtoTXT），最推薦的工具是 pdfplumber。

它能精準解析電子檔文字與表格，並解決多數中文亂碼問題。

若是處理圖片式的掃描檔，則需搭配 pytesseract 進行 OCR 光學辨識。

本文將對比 PyPDF2、pdfplumber 與 pytesseract，幫助新手快速選擇最適合的自動化方案。

Python 常用的PDF 中提取文字檔（.txt）套件

下列主要介紹三種文字轉換用的套件，分別有

• PyPDF2
• pdfplumber
• pytesseract

以及最後會介紹將 pdfplumber 和 pytesseract 串連起來一同做使用，會有更快速的文字辨識效果。

PyPDF2

主要的用途是處理簡單的 PDF 檔案，例如合併、拆分、旋轉、加密、解密，以及提取文字。

• 優點：
  • 支援讀取與修改 PDF 結構，但不支援影像內的文字擷取（無光學文字識別 OCR 功能）。
• 缺點 :
  • 在提取中文（或其他非 ASCII 字符）時，常會遇到亂碼或無法解析的問題。
  • 提取的文字格式可能會比較亂，特別是多欄位或複雜的格式。

安裝方式 :

pip install pypdf2

範例 :

import PyPDF2

# 讀取你的 .pdf 檔案
with open("example.pdf", "rb") as file:
    reader = PyPDF2.PdfReader(file)
    text = ""
    for page in reader.pages:
        text += page.extract_text()
print(text)

# 儲存提取的文字為 .txt 文件
with open("PyPDF2_output.txt", "w") as text_file:
    text_file.write(text)

pdfplumber

比 PyPDF2 更強大，特別適用於精準提取文字、表格和圖片。

• 優點：
  • 支援解析 PDF 內的表格（比 PyPDF2 更精確）。
  • 可提取圖片，並獲取圖片的座標資訊。
  • 適用於結構化 PDF 文件（如報告、發票等）。
• 缺點 :
  • 在解析文件的時候，因為需要額外處理字體、坐標、圖片等資訊，所以速度較 PyPDF2 慢
  • 當處理較大量文件或多頁的 PDF 時，速度會慢的更加明顯。

安裝方式 :

pip install pdfplumber

範例 :

import pdfplumber

# 開啟你的 .pdf 檔案
with pdfplumber.open("example.pdf") as pdf:
    text = ""
    for page in pdf.pages:
        text += page.extract_text()
print(text)

# 儲存提取的文字為 .txt 文件
with open("pdfplumber_output.txt", "w") as text_file:
    text_file.write(text)

pytesseract

這是一個光學文字識別（Optical Character Recognition）的工具，專門用來從圖片或掃描的 PDF 文件中提取文字。

• 優點：
  • 需要搭配 Tesseract OCR（Google 開源的 OCR 引擎）。
  • 適合用於掃描的 PDF，因為 PyPDF2 和 pdfplumber 無法從影像型 PDF 提取文字。
  • 可支援多國語言，但需要安裝對應語言的 OCR 模型，安裝方式可以到參考資料瀏覽。
• 缺點 :
  • 無法直接處理低解析度或模糊的圖片，容易出現辨識錯誤。
  • 圖片中如果有噪點、陰影、手寫文字或扭曲變形，效果會變差。
  • 若要增加辨識效果，需搭配影像處理的預處理方法。
  • 若要安裝特定國家語言，需要手動下載語言包。
  • 需要額外處理圖片（如二值化、降噪等）來提升辨識準確率。

安裝方式 :

pip install pytesseract

還需要安裝 Tesseract OCR：

• Windows： 下載安裝 Tesseract-OCR，並將安裝路徑加入環境變數。

範例（從圖片中提取文字）：

import pytesseract
from PIL import Image

img = Image.open("scanned_page.png")
text = pytesseract.image_to_string(img, lang="eng")  # 指定語言
print(text)

# 儲存提取的文字為 .txt 文件
with open("pytesseract_output.txt", "w") as text_file:
    text_file.write(text)

範例（從 PDF 影像提取文字）：

import pdfplumber
import pytesseract
from PIL import Image

with pdfplumber.open("scanned_document.pdf") as pdf:
    for page in pdf.pages:
        img = page.to_image()
        text = pytesseract.image_to_string(img, lang="eng")
        print(text)
        
# 儲存提取的文字為 .txt 文件
with open("pytesseract_output.txt", "w") as text_file:
    text_file.write(text) 

pdfplumber+pytesseract

將 pdfplumber 與 pytesseract 結合使用，可以同時處理電子文本 PDF和掃描版 PDF（影像型 PDF），並且比單獨使用 PyPDF2 或 pytesseract 更靈活且準確。

優點：

• 能處理「數位 PDF + 掃描 PDF」的混合文件，即使一份文件中包含數位文字與掃描頁面，也能正確解析。
  • 數位 PDF：直接用 pdfplumber.extract_text() 提取文字，準確且無需 OCR。
  • 掃描 PDF（影像型 PDF）：使用 pdfplumber 轉換 PDF 頁面為影像，再用 pytesseract 進行 OCR 文字識別。
• 相比單獨 pytesseract，透過 pdfplumber 預處理後的影像能獲得更清晰的文字輸出。
  • pdfplumber 允許獲取高品質的 PDF 頁面影像，比直接使用 pytesseract 讀取低解析度的 PDF 頁面效果更好。
  • 可使用 pdfplumber 獲取影像的 DPI（解析度），確保 pytesseract 輸入的影像清晰度足夠高（DPI 150 以上可提高辨識率）。
  • 影像處理（如灰階化、二值化、降噪）可以先透過 pdfplumber 與 PIL 來最佳化，再送入 pytesseract 進行 OCR。
• 可同時處理數位表格和掃描表格，提高數據提取的準確性。
  • pdfplumber 可以準確識別數位 PDF 裡的表格 (extract_table())，而 pytesseract 不擅長直接解析表格格式。
  • 如果表格是圖片型的（如掃描 PDF），可以：
    1. 用 pdfplumber 轉換 PDF 頁面為影像。
    2. 使用 OpenCV 進行表格邊緣檢測，將表格切割為獨立儲存格。
    3. 再使用 pytesseract OCR 逐行辨識文字。
• 更精細的版面控制，能避免 OCR 讀取多餘內容，提高準確率。
  • pdfplumber 提供頁面元素的座標資訊，如：
    • 文字區塊的位置
    • 圖片的位置
    • 表格結構
  • 透過 pdfplumber 提取影像的區域（ROI，Region of Interest），可以只對某個部分進行 OCR，而非整頁都 OCR，減少誤差。
• 更高效的處理流程，比單純 OCR 方案更快，避免不必要的 OCR 運算。
  • pdfplumber 只對數位文本部分進行解析，不需要進行 OCR，速度快。
  • 只有真正需要 OCR 的頁面才會轉成圖片給 pytesseract，降低處理時間。
  • 可以根據 pdfplumber 解析結果來判斷是否真的需要 OCR，例如：

if not page.extract_text():
    # 只有當數位提取失敗時才使用 OCR
    text = pytesseract.image_to_string(image)

範例 : 先用 pdfplumber 提取數位文字，遇到圖片再用 pytesseract

import pdfplumber
import pytesseract
from PIL import Image

def extract_text_from_pdf(pdf_path):
    text_result = ""

    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text = page.extract_text()
            if text:
                text_result += text + "\\n"
            else:
                # 如果文字提取失敗，則使用 OCR
                img = page.to_image().convert("L")  # 轉灰階，提高辨識效果
                text_result += pytesseract.image_to_string(img, lang="chi_sim+eng") + "\\n"

    return text_result

pdf_text = extract_text_from_pdf("example.pdf")
print(pdf_text)

# 儲存提取的文字為 .txt 文件
with open("pdfplumber_and_pytesseract_output.txt", "w") as text_file:
    text_file.write(text) 

如何選擇合適的套件

需求	推薦套件	操作難度
解析純文字 PDF	PyPDF2、pdfplumber	★☆☆
解析 PDF 表格	pdfplumber	★☆☆
解析含圖片的 PDF	pdfplumber	★☆☆
OCR 處理掃描 PDF 或圖片	pytesseract	★★★

討論

Q1: 為什麼 PyPDF2 讀取出來的中文是亂碼？

A: 這是因為 PDF 的字體編碼問題，PyPDF2 對於非 ASCII 字符（如繁體中文）支援度較低。建議改用 pdfplumber 或將頁面轉成圖片後使用 pytesseract 進行辨識。

Q2: 如何提取 PDF 中的表格數據？

A: 建議使用 pdfplumber。它內建的 `extract_table()` 功能可以直接偵測表格線條並轉為 Python 列表（List），準確度遠高於 PyPDF2。

Q3: 掃描的 PDF (影像型) 讀不到文字怎麼辦？

A: 這種文件不包含文字圖層，必須使用 OCR (光學文字辨識) 技術。推薦使用 `pytesseract` 搭配 Google 的 Tesseract OCR 引擎。

Q4: pdfplumber 和 PyPDF2 哪個比較快？

A: PyPDF2 處理速度較快，但功能單一；pdfplumber 因需解析坐標與字體資訊，速度較慢，但解析品質更好。

Q5: 執行 pytesseract 時顯示 “TesseractNotFoundError” 是什麼原因？

A: 這是因為電腦尚未安裝 Tesseract OCR 主程式，或未將其執行路徑加入系統的環境變數（PATH）中。

本篇文章介紹了三種不同的 python 套件，用來進行 PDF 檔案進行文字內容的提取，可以發現更為複雜的工具合併使用能夠得到最佳的表現。

相對需要的技術要求也會更高，優點則是可以同時處理更加複雜的 PDF 檔案，也能加快檔案的解析速度，希望本文的內容可以讓大家對於 PDF 檔案提取文字的細節知識有更多的了解。

為了解決讀者「不知道該選哪個」的痛點，建議加入以下步驟清單：

送給讀者的【PDF 工具選擇 3 步決策法】

若看到這裡你還不太確定自己應該使用哪種方式，下面我將提供給你一個「選擇決策樹」小工具，你只要依照他的順序來進行評估，就知道自己適合使用哪一款工具囉！

1. 文件是電子檔（可選取文字）嗎？

• 是 ➔ 優先用 pdfplumber（精準度高）。
• 否（掃描檔/照片）➔ 跳至步驟 3。

2. 只需要簡單合併、分割檔案？

• 是 ➔ 用 PyPDF2（輕量快速）。

3. PDF 內容是圖片嗎？

• 是 ➔ 必須安裝 Tesseract OCR 並使用 pytesseract 套件。

想開始自動化處理報表嗎？ 

立即複製文中的 pdfplumber 範例程式碼，在你的 Python 環境測試看看吧！

如果你在安裝 Tesseract OCR 時遇到困難，歡迎在下方留言，我會為你解答。

別忘了追蹤我的部落格！學習更多 Python 自動化實戰技巧！

參考資料

• PyPDF2 官方手冊
• pdfplumber GitHub
• pytesseract GitHub
• Tesseract官方文件
• Windows 的 Tesseract 安裝程序