Repolode
Enviar
jsvine

jsvine/pdfplumber

Biblioteca de Python y CLI para extraer texto, tablas y datos detallados de objetos (caracteres, líneas y rectángulos) de PDF generados por computadora.

Alternativa open source a:Adobe Acrobat

Ver en GitHub
Estrellas
10,833
Forks
935
Issues abiertos
119
Último commit
hace 6 días

¿Qué es?

pdfplumber es una biblioteca de Python para explorar el contenido de archivos PDF. Expone cada carácter, rectángulo, línea, curva e imagen de una página, junto con su posición, fuente y color, para que los desarrolladores puedan inspeccionar un documento al nivel de cada objeto gráfico y no solo como texto sin formato.

Además de este acceso de bajo nivel, ofrece métodos de nivel más alto para extraer texto con tolerancias de espaciado configurables, localizar palabras y coincidencias de búsqueda con sus coordenadas, y detectar tablas a partir de líneas divisorias o de la alineación del texto. Las tablas se pueden extraer como listas de filas y celdas, y es posible ajustar el detector de tablas mediante varias opciones.

Incluye herramientas de depuración visual que convierten una página en una imagen y superponen las líneas, intersecciones y tablas detectadas, lo que facilita ajustar la configuración de extracción. Está basada en pdfminer.six y funciona mejor con PDF generados por computadora que con documentos escaneados. Su interfaz de línea de comandos permite exportar objetos como CSV, JSON o texto.

Funciones clave

  • 01Acceso a caracteres, líneas, rectángulos, curvas e imágenes individuales, con datos de posición y color.
  • 02Extracción de texto con tolerancias ajustables y un modo experimental de diseño.
  • 03Búsqueda de palabras y expresiones regulares que devuelve cuadros delimitadores.
  • 04Detección de tablas a partir de líneas divisorias, alineación del texto o coordenadas explícitas.
  • 05Depuración visual que convierte páginas en imágenes y superpone las tablas y líneas detectadas.
  • 06Exportación mediante la línea de comandos a CSV, JSON o texto.

Casos de uso

  • Extraer tablas de informes financieros o gubernamentales en PDF y convertirlas en estructuras de datos de Python.
  • Obtener texto con coordenadas de facturas o formularios para procesarlo posteriormente.
  • Ajustar visualmente la configuración de extracción de tablas en diseños de PDF difíciles.
  • Inspeccionar los objetos gráficos de un PDF para analizarlos o depurarlos.

Inicio rápido

  1. 1

    Instala pdfplumber desde PyPI

    pip install pdfplumber
  2. 2

    Abre un PDF e imprime el primer carácter de la primera página en Python

Antes de usarlo

  • Funciona mejor con PDF generados por ordenador que con documentos escaneados.

Temas

#pdf#pdf-parsing#table-extraction#text-extraction#python#data-extraction

Preguntas frecuentes

¿Qué es pdfplumber?
Biblioteca de Python y CLI para extraer texto, tablas y datos detallados de objetos (caracteres, líneas y rectángulos) de PDF generados por computadora. pdfplumber es una biblioteca de Python para explorar el contenido de archivos PDF. Expone cada carácter, rectángulo, línea, curva e imagen de una página, junto con su posición, fuente y color, para que los desarrolladores puedan inspeccionar un documento al nivel de cada objeto gráfico y no solo como texto sin formato.
¿pdfplumber es gratuito? ¿Qué licencia tiene?
pdfplumber es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿pdfplumber sigue mantenido?
Mantenimiento activo. El último commit de pdfplumber fue el 15 oct 2026.
¿Para qué puedo usar pdfplumber?
Extraer tablas de informes financieros o gubernamentales en PDF y convertirlas en estructuras de datos de Python. Obtener texto con coordenadas de facturas o formularios para procesarlo posteriormente. Ajustar visualmente la configuración de extracción de tablas en diseños de PDF difíciles. Inspeccionar los objetos gráficos de un PDF para analizarlos o depurarlos.
¿Cómo se instala pdfplumber?
Instala pdfplumber desde PyPI: pip install pdfplumber Abre un PDF e imprime el primer carácter de la primera página en Python
¿Dónde consigo pdfplumber?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/jsvine/pdfplumber

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados