bwkyd PDF内容提取工具
PDF → 提取文字/表格/图片 → 转为可编辑的Word/Excel。
告别"PDF里的表格复制不出来"的痛苦。
When to Use
- 从PDF中提取文字内容
- 提取PDF中的表格到Excel
- 提取PDF中的图片
- PDF转可编辑Word
- 用户说"PDF里的表格怎么弄出来""PDF转Word"
When NOT to Use
- PDF合并/拆分 → 使用
wps-pdf-merge-split - PDF加水印 → 使用
wps-watermark
工作流程
Step 1: 诊断PDF类型
PDF类型判断：
├─ 文字型PDF（可选中文字）→ 直接提取
├─ 扫描型PDF（图片）→ 需要OCR → 提示用户
└─ 混合型（部分文字部分图片）→ 分别处理
Step 2: 提取内容
# 安装依赖
# pip install PyMuPDF pdfplumber python-docx openpyxl
import fitz # PyMuPDF
import pdfplumber
from docx import Document
from openpyxl import Workbook
import os
class PDFExtractor:
"""PDF内容提取器"""
def __init__(self, pdf_path):
self.pdf_path = pdf_path
self.doc = fitz.open(pdf_path)
def extract_text(self, pages=None):
"""提取全部文字"""
text = []
page_range = pages or range(len(self.doc))
for i in page_range:
page = self.doc[i]
text.append(page.get_text())
return '\n'.join(text)
def extract_tables(self, pages=None):
"""提取表格（使用pdfplumber）"""
tables = []
with pdfplumber.open(self.pdf_path) as pdf:
page_range = pages or range(len(pdf.pages))
for i in page_range:
page_tables = pdf.pages[i].extract_tables()
for t in page_tables:
tables.append({
'page': i + 1,
'data': t,
})
return tables
def extract_images(self, output_dir):
"""提取图片"""
os.makedirs(output_dir, exist_ok=True)
images = []
for i, page in enumerate(self.doc):
for j, img in enumerate(page.get_images(full=True)):
xref = img[0]
pix = fitz.Pixmap(self.doc, xref)
if pix.n < 5: # GRAY or RGB
img_path = os.path.join(output_dir, f'page{i+1}_img{j+1}.png')
pix.save(img_path)
else: # CMYK
pix = fitz.Pixmap(fitz.csRGB, pix)
img_path = os.path.join(output_dir, f'page{i+1}_img{j+1}.png')
pix.save(img_path)
images.append(img_path)
return images
def to_word(self, output_path):
"""转换为Word文档"""
doc = Document()
for i, page in enumerate(self.doc):
if i > 0:
doc.add_page_break()
text = page.get_text("blocks")
for block in sorted(text, key=lambda b: (b[1], b[0])):
if block[6] == 0: # text block
para = doc.add_paragraph(block[4].strip())
doc.save(output_path)
return os.path.abspath(output_path)
def tables_to_excel(self, output_path):
"""表格导出为Excel"""
tables = self.extract_tables()
if not tables:
return None
wb = Workbook()
for idx, table in enumerate(tables):
ws = wb.active if idx == 0 else wb.create_sheet()
ws.title = f"表格{idx+1}_P{table['page']}"
for row_idx, row in enumerate(table['data'], 1):
for col_idx, cell in enumerate(row, 1):
ws.cell(row=row_idx, column=col_idx,
value=cell if cell else '')
wb.save(output_path)
return os.path.abspath(output_path)
def close(self):
self.doc.close()
Step 3: 智能处理
提取策略：
1. 先尝试直接提取文字 → 检查是否有内容
2. 如果文字为空 → 判断为扫描件 → 提示需要OCR
3. 表格优先用pdfplumber → 表格识别率更高
4. 图片用PyMuPDF → 可提取嵌入的原始图片
Step 4: 交付
- 文字提取 → 输出.docx或.txt
- 表格提取 → 输出.xlsx（每个表格一个sheet）
- 图片提取 → 输出到文件夹
- 报告提取结果（页数、表格数、图片数）
常见问题处理
Q: PDF转Word后格式乱了？
A: PDF本质是"画"出来的，不是"排版"出来的。
完美还原几乎不可能，建议提取文字后重新排版。
Q: 表格提取不完整？
A: 1. 检查PDF中表格是否有完整边框线
2. 尝试调整pdfplumber的table_settings参数
3. 无边框表格识别率较低
Q: 中文乱码？
A: 1. PDF可能使用了嵌入字体
2. 尝试 page.get_text("text") 替代默认模式
3. 扫描件需要OCR（推荐用WPS自带的OCR功能）
示例
# 提取文字
/wps-pdf-extract 把report.pdf的文字提取出来转成Word
# 提取表格
/wps-pdf-extract 提取financial_report.pdf里的所有表格到Excel
# 提取图片
/wps-pdf-extract 把这个PDF里的图片都提取出来