一. 通過 pdfplumber.open() 解析復雜PDF：

這段 Python 代碼使用了 pdfplumber 庫來讀取 PDF 文件中的文本內容，下面是逐行解釋：

import pdfplumber

• 引入 pdfplumber 模塊，這是一個用于從 PDF 文件中提取文本、表格等內容的第三方庫。

# 打開 PDF 文件, 這里寫死了，看下面的V2版本，用彈框選擇文件
with pdfplumber.open("example.pdf") as pdf:

• 使用 pdfplumber.open() 方法打開名為 "example.pdf" 的 PDF 文件。
• 使用 with 語句可以確保文件使用完后會自動關閉，避免資源泄露。

    # 獲取第一頁page = pdf.pages[0]

• 獲取 PDF 文件的第一頁內容，pdf.pages 是一個頁面對象的列表，索引從 0 開始。

    # 提取文本text = page.extract_text()

• 調用 extract_text() 方法從第一頁中提取文本內容。
• 這個方法返回一個字符串，包含該頁的所有可提取文本（按照排版順序）。

    print(text)

• 將提取到的文本打印出來。

1-2. 報錯：

ImportError: DLL load failed while importing _rust: 找不到指定的程序。
Traceback:
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\ltjt_ai_seek_app\com\szkj\test_pdf\pdf_parser.py", line 2, in <module>import pdfplumber
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfplumber\__init__.py", line 15, in <module>from .pdf import PDF
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfplumber\pdf.py", line 8, in <module>from pdfminer.layout import LAParams
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\layout.py", line 21, in <module>from pdfminer.pdfinterp import Color, PDFGraphicState
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfinterp.py", line 10, in <module>from pdfminer.pdfdevice import PDFDevice, PDFTextSeq
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfdevice.py", line 16, in <module>from pdfminer.pdfpage import PDFPage
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfpage.py", line 6, in <module>from pdfminer.pdfdocument import (
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\pdfminer\pdfdocument.py", line 23, in <module>from cryptography.hazmat.primitives.ciphers import Cipher, algorithms, modes
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\cryptography\hazmat\primitives\ciphers\__init__.py", line 11, in <module>from cryptography.hazmat.primitives.ciphers.base import (
File "D:\Users\wang\PycharmProjects\github\ltkj-aiseek\seek_backend_py\.venv\lib\site-packages\cryptography\hazmat\primitives\ciphers\base.py", line 10, in <module>from cryptography.hazmat.bindings._rust import openssl as rust_openssl

你遇到的 ImportError: DLL load failed while importing _rust: 找不到指定的程序 錯誤通常是由于缺少某些依賴項或環境配置問題導致的。以下是一些可能的解決方案：

1. 確保安裝了所有必要的依賴項
   確保你已經安裝了所有必要的依賴項，特別是 cryptography 和 pdfplumber。你可以使用以下命令來安裝這些庫：

pip install pdfplumber cryptography

2. 安裝 Visual C++ Redistributable
   有時，這個錯誤是由于缺少 Microsoft Visual C++ Redistributable 包引起的。你可以從微軟官方網站下載并安裝最新版本的 Visual C++ Redistributable for Visual Studio 2015, 2017, 2019 或 2022。

Visual C++ Redistributable for Visual Studio 2015, 2017, and 2019
Visual C++ Redistributable for Visual Studio 2022

3. 檢查 Python 和 pip 的版本
   確保你使用的是兼容的 Python 和 pip 版本。你可以使用以下命令來檢查和升級它們：

python --version
pip --version
pip install --upgrade pip

4. 重新安裝 cryptography 庫
   有時，重新安裝 cryptography 庫可以解決問題。你可以使用以下命令來卸載并重新安裝它：

pip uninstall cryptography
pip install cryptography

如果都安裝了，還是報錯，那就是python版本的問題：
從3.9 -> 3.12 ,換完之后 ，成功

驗證 安裝成功
pip show pdfplumber

linux下 一樣，pdfplumber 好像需要python3.12 版本：

V2 ：

代碼如下：

import streamlit as st
import pdfplumber
import io# 設置頁面標題
st.title("PDF 文本提取工具")# 創建文件上傳組件
uploaded_file = st.file_uploader("請選擇一個 PDF 文件", type=["pdf"])if uploaded_file is not None:# 讀取上傳的文件file_bytes = uploaded_file.read()# 轉換為類文件對象file_stream = io.BytesIO(file_bytes)# 使用 pdfplumber 打開 PDF 文件with pdfplumber.open(file_stream) as pdf:# 獲取第一頁page = pdf.pages[0]# 提取文本text = page.extract_text()# 顯示提取的文本if text:st.subheader("提取的文本內容：")st.write(text)else:st.warning("未能從該頁提取到任何文本。")
else:st.info("請上傳一個 PDF 文件以開始提取文本。")

提取的文本內容：
文旅投集團專屬會員權益服務內容 類型 名稱 項目 具體商品/服務 收費標準 權益折扣 工作日（6:00-17:00） 150元/小時 工作日（17:00-22:00） 200元/小時 周末及節假日（6:00-17:00） 200元/小時 網球項目 8.5折 室內網球 周末及節假日（17:00-22:00） 240元/小時 工作日（6:00-9:00）晨間暢打 399元/10次 工作日（12:00-14:00）午間暢打 299元/10次 工作日（6:00-17:00） 80元/小時 網球項目 工作日（17:00-22:00） 100元/小時 8.5折 室外網球 周末及節假日（6:00-22:00） 100元/小時 工作日（6:00-12:00） 40元/小時 工作日（12:00-17:00） 60元/小時 工作日（17:00-22:00） 80元/小時 多功能館 8.5折 羽毛球 文 周末及節假日（6:00-22:00） 80元/小時 中央綠色 體 體育公園 類 工作日（6:00-9:00）晨間暢打 15元/人 工作日（6:00-9:00）晨間暢打次卡 288元/30次 多功能館 全時段（6:00-22:00） 半場200元/小時 8.5折 室內籃球 工作日（6:00-12:00） 20元/小時 工作日（12:00-22:00） 25元/小時 周末及節假日（6:00-12:00） 25元/小時 乒乓球館 周末及節假日（12:00-22:00） 30元/小時 8.5折 乒乓球 工作日（6:00-9:00）暢打次卡 120元/30次 工作日（9:00-12:00）暢打次卡 150元/30次 工作日（19:00-22:00）暢打次卡 198元/30次 工作日（6:00-17:00） 300元/小時 室外場地 工作日（17:00-22:00） 400元/小時 8.5折 11人制足球 周末及節假日（6:00-22:00） 400元/小時

1-3. v3 使用tk 庫，彈框選擇文件

以下是運行完整示例程序并進行測試的詳細步驟說明：

運行環境準備

1. 安裝依賴庫：

pip install pdfplumber tk

• pdfplumber：用于PDF解析

• tk：用于圖形界面（Python自帶，但部分Linux系統可能需要單獨安裝）

• 準備測試文件：

• 準備一個測試用的PDF文件（建議同時準備正常PDF和錯誤文件用于測試異常處理）

完整代碼保存

新建一個.py文件（如pdf_extractor.py），粘貼以下代碼：

import pdfplumber
import io
import tkinter as tk
from tkinter import filedialog# 創建隱藏的根窗口
root = tk.Tk()
root.withdraw()# 打開文件選擇對話框
file_path = filedialog.askopenfilename(title="選擇PDF文件",filetypes=[("PDF文件", "*.pdf")]
)if not file_path:print("未選擇文件")exit()try:# 先讀取為字節數據with open(file_path, "rb") as f:file_bytes = f.read()# 轉換為類文件對象file_stream = io.BytesIO(file_bytes)# 解析PDFwith pdfplumber.open(file_stream) as pdf:first_page = pdf.pages[0]print("="*30 + "\n提取的文本內容：\n" + "="*30)print(first_page.extract_text() or "未檢測到文本內容")except Exception as e:print(f"處理文件時出錯：{str(e)}")

運行測試步驟

####. 方式一：圖形界面方式（推薦）
啟動程序：

python pdf_extractor.py

2. 選擇文件：

• 將自動彈出文件選擇對話框
• 選擇準備好的測試PDF文件（建議選擇包含可識別文本的簡單PDF）

3. 查看輸出：

==============================
提取的文本內容：
==============================
這里是PDF第一頁的文本內容...

方式二：命令行方式（適用于自動化）

python pdf_extractor.py "/path/to/your/file.pdf"

測試用例示例

測試場景	預期結果	驗證點
--------	--------	-----
選擇正常PDF文件	正確輸出第一頁文本	文本提取功能正常
取消文件選擇	輸出"未選擇文件"并退出	異常處理邏輯正常
選擇非PDF文件（如.jpg）	彈出錯誤提示	文件類型過濾有效
選擇加密的PDF文件	拋出解密錯誤	異常處理機制有效
選擇損壞的PDF文件	顯示解析錯誤信息	健壯性驗證

常見問題排查

1. 無文件選擇對話框彈出：

• 檢查是否安裝了圖形界面支持
• 在Linux服務器環境可使用以下命令安裝基礎GUI支持：

sudo apt-get install python3-tk

2. No such file or directory錯誤：

• 確認文件路徑是否正確
• 檢查文件權限設置

3. 提取內容為空：

• 測試文件是否是掃描版圖片PDF（需要OCR處理）
• 嘗試使用官方測試文件：

# 測試代碼
import pdfplumber
with pdfplumber.open("https://www.w3.org/WAI/ER/tests/xhtml/testfiles/resources/pdf/dummy.pdf") as pdf:print(pdf.pages[0].extract_text())

4. 內存不足錯誤：

對于超大PDF文件（>100MB），改用文件路徑方式打開：

# 替代BytesIO的方式
with pdfplumber.open(file_path) as pdf:# 處理邏輯

擴展測試建議

1. 多頁測試：

# 修改代碼遍歷所有頁面
for i, page in enumerate(pdf.pages):print(f"第 {i+1} 頁內容：")print(page.extract_text())

2. 表格提取測試： TODO 看看能不能 彌補上面 V2 解析結果錯亂的問題

# 在with語句中添加
table = first_page.extract_table()
if table:print("\n檢測到表格：")for row in table:print(row)

3. 性能測試：

import time
start = time.time()
# 處理代碼
print(f"處理耗時：{time.time()-start:.2f}秒")

通過以上步驟可以完整驗證PDF文本提取功能的可用性和健壯性。

1-10 總結：

這段代碼實現了從一個名為 example.pdf 的 PDF 文件中提取第一頁的文本，并將其輸出到控制臺。它適合用于快速查看或處理 PDF 中的文本信息。

如果你有 PDF 文件想解析或提取特定內容，也可以告訴我，我可以幫你構建更復雜的提取邏輯。

二. PDF中包含表格，table = first_page.extract_table() 只能提取到 PDF文件中的表頭如下：

提取的文本內容：
==============================
['類型', '名稱', '項目', '具體商品/服務', '收費標準', '權益折扣']

表格里的單元格數據 提取不到

1. 表格結構識別問題

pdfplumber 是基于規則來識別表格的，若表格的結構較為復雜或者不規則，它可能無法正確識別表格的邊界，進而導致只能提取到表頭。

解決辦法

調整表格檢測參數：可以通過修改 table_settings 參數來調整表格檢測的規則。例如，修改 vertical_strategy 和 horizontal_strategy 參數，讓其能更精準地識別表格的邊界。

import pdfplumberpdf_path = 'your_pdf_file.pdf'
with pdfplumber.open(pdf_path) as pdf:first_page = pdf.pages[0]# 調整表格檢測參數table_settings = {"vertical_strategy": "text","horizontal_strategy": "text"}table = first_page.extract_table(table_settings)for row in table:print(row)

效果：

有單元格內容，也能成行成行打印了，但是對于前2列 是合并行的單元格，還不友好。

2. 文本布局問題

若表格中的文本布局比較特殊，例如存在合并單元格、跨頁表格等情況，pdfplumber 可能難以正確識別表格的結構。

解決辦法

• 手動指定表格區域：可以通過指定表格的坐標區域來精確提取表格數據。你可以使用 pdfplumber 的 crop() 方法來裁剪頁面，只保留表格所在的區域。
  生成 pdf_table_extraction_manual.py。 未測試驗證

import pdfplumberpdf_path = 'your_pdf_file.pdf'
with pdfplumber.open(pdf_path) as pdf:first_page = pdf.pages[0]# 手動指定表格區域的坐標（x0, top, x1, bottom）table_bbox = (100, 200, 500, 400)cropped_page = first_page.crop(table_bbox)table = cropped_page.extract_table()for row in table:print(row)

3. 字體和顏色問題

如果表格中的文本使用了特殊的字體或者顏色，pdfplumber 在識別文本時可能會出現問題。

解決辦法

• 檢查 PDF 文件：嘗試使用 PDF 閱讀器打開文件，查看表格中的文本是否能夠正常顯示。若文本顯示存在問題，可以嘗試重新生成 PDF 文件。