pdfminer.six 是 pdfminer 的一个活跃维护的分支，它同时支持 Python 2 和 Python 3，并且修复了原版的一些 Bug，现在大家通常说的 pdfminer 指的就是这个 pdfminer.six。
核心答案：如何下载和安装？
最推荐、最简单的方式是使用 pip（Python 的包管理器）进行安装。
安装
打开您的终端（在 Windows 上是命令提示符 cmd 或 PowerShell，在 macOS 或 Linux 上是 Terminal）,然后运行以下命令：
pip install pdfminer.six
命令解释：
pip: Python 的标准包安装工具。install: 安装包的指令。pdfminer.six: 这是包的名称。
如果您的系统中有多个 Python 版本，您可能需要使用 pip3 来确保为 Python 3 安装：
pip3 install pdfminer.six
安装成功后，您会看到类似 "Successfully installed pdfminer.six-..." 的提示信息。
验证安装
安装完成后，您可以通过 Python 交互式环境来验证是否安装成功。
在终端中输入：
python
或者
python3
尝试导入 pdfminer 的核心模块：
from pdfminer.high_level import extract_text
print("pdfminer.six 安装成功！")
如果没有报错，并打印出 "pdfminer.six 安装成功！",说明安装已经完成。
进阶：安装依赖项和可选工具
pdfminer.six 的某些高级功能需要额外的依赖项。
可选依赖：chardet (字符编码检测)
pdfminer.six 在解析 PDF 文本时，需要检测文本的编码。chardet 库可以帮助它更准确地识别编码，尤其是在处理非标准编码的 PDF 文件时。
强烈建议安装：
pip install chardet
pdfminer.six 的安装脚本通常会自动尝试安装 chardet,但手动安装可以确保万无一失。
可选依赖：reportlab (用于生成 PDF)
如果您需要使用 pdfminer.six 的某些工具（如 pdf2txt.py 的 --output 选项）来生成新的 PDF 文件，则需要安装 reportlab。
安装方法：
pip install reportlab
如何使用 pdfminer.six？
安装完成后，您就可以在您的 Python 代码中使用了。pdfminer.six 提供了多种使用方式，从简单的命令行工具到复杂的 API 调用。
示例1：使用命令行工具
pdfminer.six 提供了几个方便的命令行工具，它们位于 Scripts 文件夹下（Windows）或通过 python -m 调用。
最常用的命令行工具是 pdf2txt.py：
假设您有一个名为 example.pdf 的文件，您想将其中的文本提取出来并保存到 output.txt。
方法A (直接调用，如果环境变量配置正确):
pdf2txt.py -o output.txt example.pdf
方法B (更通用的方式，通过 python -m):
python -m pdfminer.high_level -o output.txt example.pdf
常用参数：
-o <文件名>: 指定输出文件名。--pages <范围>: 指定要提取的页码范围，--pages 1-3,5表示提取第1、2、3页和第5页。--layout: 尝试保留文本的原始布局（如列）。--extract-unicode: 强制提取 Unicode 文本（通常默认开启）。
示例2：在 Python 代码中使用 (推荐)
这是最灵活的方式，您可以使用 high_level 模块中的便捷函数，也可以使用底层的 layout 模块来精确控制解析过程。
使用 high_level.extract_text (最简单):
from pdfminer.high_level import extract_text
# 提取单个PDF文件的文本
text = extract_text('example.pdf')
# 将提取的文本打印出来
print(text)
# 保存到文件
with open('output.txt', 'w', encoding='utf-8') as f:
f.write(text)
使用 layout 模块 (更高级，用于分析文档结构):
如果您需要分析 PDF 中的图片、表格或文本框的位置和布局，可以使用 layout 模块。
from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTChar
# 遍历PDF的每一页
for page_layout in extract_pages("example.pdf"):
# 遍历页面中的每一个元素
for element in page_layout:
# 我们只关心文本元素
if isinstance(element, LTTextContainer):
for text_line in element:
for character in text_line:
# LTChar 代表一个字符
if isinstance(character, LTChar):
# 可以获取字符本身、字体、大小、位置等信息
print(f"字符: {character.get_text()}, 字体: {character.fontname}, 大小: {character.size}, 位置: {character.bbox}")
常见问题与解决
-
问题：
pip install pdfminer.six失败，提示找不到setuptools或wheel。 解决： 这通常是pip本身的问题，尝试升级pip和相关工具：python -m pip install --upgrade pip setuptools wheel
然后再重新安装
pdfminer.six。 -
问题：提取的文本是乱码或为空。 解决：
- 确保安装了
chardet：pip install chardet。 - 尝试使用
--layout参数：这有助于保留布局,有时能提取出更多文本。 - PDF 文件本身的问题：某些扫描件、图片型 PDF 或加密的 PDF 可能无法被
pdfminer.six正常解析，对于扫描件，您需要先使用 OCR（光学字符识别）工具。
- 确保安装了
-
问题：
pdf2txt.py不是内部或外部命令... 解决： 这是因为 Windows 的环境变量没有自动添加 Python 的Scripts目录，最简单的解决方法是使用python -m pdfminer.high_level ...的方式来调用,如上文所示。
| 步骤 | 命令 | 说明 |
|---|---|---|
| 安装 | pip install pdfminer.six |
核心安装命令 |
| 推荐依赖 | pip install chardet |
用于更准确的字符编码检测 |
| 验证 | python -c "from pdfminer.high_level import extract_text; print('OK')" |
检查安装是否成功 |
| 使用 (代码) | from pdfminer.high_level import extract_text |
导入模块开始使用 |
| 使用 (命令行) | python -m pdfminer.high_level -o output.pdf input.pdf |
通过命令行提取文本 |
希望这份详细的指南能帮助您顺利下载和使用 pdfminer.six！
