如何在Flask应用中提取用户上传PDF文件的文本

目前主流的Python PDF处理库均原生支持类文件对象输入，无需传入实际磁盘路径，可直接对接Flask上传生成的文件对象或BytesIO内存流，完全不需要将文件存储到服务端磁盘，从根源避免文件冲突问题。以下是两种常用实现方案：

方案1：使用PyPDF2实现（轻量通用） #

适合常规原生PDF的文本提取，依赖轻量，部署简单。

1. 安装依赖
   pip install pypdf2
2. 示例代码

from flask import Flask, request
from PyPDF2 import PdfReader
from io import BytesIO

app = Flask(__name__)

@app.route('/pdf-extract', methods=['POST'])
def extract_pdf():
    # 直接获取上传的PDF文件对象，无需落盘
    upload_pdf = request.files.get('pdf_file')
    # 转换为BytesIO内存流（部分场景下直接传upload_pdf也可运行，显式转换兼容性更强）
    pdf_stream = BytesIO(upload_pdf.read())
    
    # 从内存流读取PDF并提取文本
    reader = PdfReader(pdf_stream)
    full_text = ""
    for page in reader.pages:
        full_text += page.extract_text() + "\n"
    
    return {"extracted_text": full_text}

方案2：使用pdfplumber实现（精度更高） #

对复杂排版、表格类PDF的提取效果优于PyPDF2，同样支持内存流输入。

1. 安装依赖
   pip install pdfplumber
2. 示例代码

from flask import Flask, request
import pdfplumber
from io import BytesIO

app = Flask(__name__)

@app.route('/pdf-extract', methods=['POST'])
def extract_pdf():
    upload_pdf = request.files.get('pdf_file')
    pdf_stream = BytesIO(upload_pdf.read())
    
    full_text = ""
    with pdfplumber.open(pdf_stream) as pdf:
        for page in pdf.pages:
            # 如需提取表格可替换为 page.extract_table()
            full_text += page.extract_text() + "\n"
    
    return {"extracted_text": full_text}

注意事项 #

• 无需额外写入磁盘，所有操作在内存中完成，完全避免多请求下的文件命名冲突问题
• 请求处理完成后内存流会被自动回收，无冗余存储开销
• 若上传的是扫描件类的图像PDF，可基于同一内存流接入pytesseract等OCR工具实现文本提取，仍无需落盘

内容的提问来源于stack exchange，提问作者Woox