常用PDF库总结

本帖内容源自 ， 在此仅做记录
PDF（Portable Document Format）是一种便携文档格式，便于跨操作系统传播文档。PDF文档遵循标准格式，因此存在很多可以操作PDF文档的工具，Python自然也不例外。本文从功能、开源协议及社区活跃度三方面对比7个常用的Python第三方库，以便根据具体需求选择合适的库。

常见PDF库
PyPDF2 （已不再维护，继任者PyPDF4）
由于PyPDF2似乎更知名，故本文以其作为条目列出。

PyPDF、PyPDF2及PyPDF4的渊源
pdfrw
自身不能创建新内容，但是集成了ReportLab，可以兼容ReportLab生成新页面。

ReportLab
商业版的开源版本，专业创建PDF内容如文本、图表等。

pikepdf
基于C++的QPDF，对标PyPDF2和pdfrw；偏向PDF底层。

pdfplumber
基于pdfminer.six，除了读取文本、形状（矩形、直线/曲线）外，还能解析表格。

几个提取PDF表格的Python库的对比。
pdfminer.six
pdfminer的社区维护版（pdfminer自2020年起不再积极维护）。

PyMuPDF
基于mupdf，功能全面，并以处理速度著称[3]。

borb
纯Python库，支持读、写、操作PDF文档，兼顾底层和高级应用。

对比
本文将Python操作PDF的能力从大粒度上分成提取内容、操作页面和创建内容三方面。前两者分别是针对已经存在的PDF文档的读和写操作，最后一项从内容上创建新文档。

提取内容如文本、图片、元信息
操作页面特指操作已经存在的页面，例如分割、合并、裁剪、旋转等
创建内容指创建或修改页面内容，例如文本、图片、形状
考虑到时效性，以下对比列出了撰写本文时（2021.01）相应的最新版本。修订：borb于 2022.06 新加入对比，时间点以此为准。

总结
PyPDF2系列、pdfrw及pikepdf专注对已经存在的PDF的操作（分割、合并、旋转等），前两者基本处于停止维护的状态。
pdfplumber及其依赖pdfminer.six专注PDF内容提取，例如文本（位置、字体及颜色等）和形状（矩形、直线、曲线），前者还有解析表格的功能。
ReportLab专注PDF页面内容（文本、图、表等）的创建。
PyMuPDF和borb同时支持读、写及PDF页面操作，功能最为全面。其中，PyMuPDF尤其以速度快著称，而borb是新开发并深得好评的库，潜力无穷。但是，二者同为GPL家族的开源协议，对商用不太友好。

对商用不太友好指的是支持免费使用，但是要求引用其的程序也必须遵守相应协议即开源。如果需要闭源使用的话，需要向作者申请付费的商用授权。

下面是openAI的回答:

1. PyPDF2：用于处理PDF文件的开源库，可以读取、分割、合并、提取文本和元数据等操作。
2. pdfminer：另一个处理PDF文件的开源库，可以提取文本、表格和图像。
3. tabula：用于提取PDF表格的库，可以轻松地从PDF表格中读取数据。
4. Camelot：用于从PDF中提取表格的库，可以自动检测表格的位置和结构，并可以以多种格式输出数据。
5. pdftabextract：用于从PDF文件中提取表格的库，支持多种表格布局和格式，可以输出为CSV、JSON和Excel格式。
6. pdf2image：用于将PDF文件转换为图像的库，可以将PDF文件转换为JPEG、PNG和TIFF等格式的图像。

最后以下图结束本文。