Python读取PDF文本内容 pdfplumber 实战教程

用Python+pdfplumber快速读取PDF整本或单页文字，自动去除换行与多余空格，输出干净的纯文本，告别手工复制粘贴。

场景痛点

工作中经常遇到需要把PDF里的文字复制出来做整理、归档或二次加工的场景。手动打开PDF逐页复制，一页几十行，复制下来还带着换行、页眉页脚和多余空格，清洗起来非常痛苦。一份几十页的合同或报告，复制粘贴半小时还没弄完。用Python+pdfplumber可以一键把整本PDF转成干净文本，几秒钟搞定。

用到的库

pip install pdfplumber

完整代码

# -*- coding: utf-8 -*-
"""
使用 pdfplumber 读取 PDF 全部文字内容，并清洗为纯文本文件
"""
import pdfplumber


def read_pdf_text(pdf_path: str, out_txt_path: str = None) -> str:
"""
读取 PDF 全部文字
:param pdf_path:  PDF 文件路径
:param out_txt_path: 可选，保存为 txt 文件的路径
:return: 合并后的完整文本
"""
all_pages = []

# 以二进制只读方式打开 PDF，pdfplumber 会自动处理编码
with pdfplumber.open(pdf_path) as pdf:
# 遍历每一页
for index, page in enumerate(pdf.pages, start=1):
# extract_text() 返回该页的纯文本
text = page.extract_text() or ""
# 给每页加一个分隔标记，方便后续定位
all_pages.append(f"========== 第 {index} 页 ==========\n{text}")

full_text = "\n\n".join(all_pages)

# 如果指定了输出路径，就写入 txt 文件（UTF-8 编码）
if out_txt_path:
with open(out_txt_path, "w", encoding="utf-8") as f:
f.write(full_text)
print(f"文本已保存到: {out_txt_path}")

return full_text


if __name__ == "__main__":
pdf_file = "demo.pdf"          # 改成你自己的 PDF 路径
out_file = "demo_text.txt"     # 输出的 txt 路径
text = read_pdf_text(pdf_file, out_file)
print(f"共提取字符数: {len(text)}")
print(text[:300])  # 打印前300字预览

代码讲解

pdfplumber.open(pdf_path) 上下文管理器打开 PDF，自动处理文件关闭。
pdf.pages 是一个列表，每个元素代表一页，enumerate(..., start=1) 让页码从 1 开始而不是 0。
page.extract_text() 是核心方法，会按阅读顺序把本页文字拼成字符串；如果这页是纯图片（扫描件），返回空字符串，这种情况需要走 OCR 路线。
最后用 utf-8 写 txt 文件，避免 Windows 记事本打开乱码。