Python i ekstrakcja tekstu z PDF — pdfplumber, OCR i Vision w 2026

"Muszę przeszukać 50 umów pod kątem konkretnej klauzuli."

"Chcę zrobić RAG na dokumentach firmowych, ale najpierw muszę je sparsować."

PDF to jeden z najczęstszych formatów w biznesie — i jeden z najbardziej upierdliwych do przetwarzania programistycznie. Ale w Pythonie mamy narzędzia, które robią to dobrze. I za darmo.

{% youtube "-f80-a-OM_s" %}

Trzy podejścia, trzy biblioteki

Którą wybrać? Zależy od Twoich PDF-ów. Pokażę każdą.

pdfplumber — król tabel

Jeśli Twoje PDF-y mają tabele (faktury, raporty, zestawienia), pdfplumber jest najlepszym wyborem.

Bash
Kopiuj
1
pip install pdfplumber

Ekstrakcja tekstu

Python
Kopiuj
1
2
3
4
5
6
import pdfplumber

with pdfplumber.open("faktura.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

Ekstrakcja tabel

Python
Kopiuj
1
2
3
4
5
6
7
8
9
import pdfplumber
import csv

with pdfplumber.open("raport.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)  # lista komórek

pdfplumber rozpoznaje linie tabeli i poprawnie dzieli dane na kolumny. Dla faktur i raportów finansowych to game changer.

Praktyczny przykład: parsowanie faktur

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import pdfplumber
import re

def parse_invoice(path):
    with pdfplumber.open(path) as pdf:
        text = pdf.pages[0].extract_text()

    # Wyciągnij kluczowe dane
    nip = re.search(r"NIP[:\s]*(\d{10})", text)
    kwota = re.search(r"Do zapłaty[:\s]*([\d\s,]+)\s*(?:zł|PLN)", text)
    data = re.search(r"Data wystawienia[:\s]*(\d{2}[./-]\d{2}[./-]\d{4})", text)

    return {
        "nip": nip.group(1) if nip else None,
        "kwota": kwota.group(1).strip() if kwota else None,
        "data": data.group(1) if data else None,
    }

result = parse_invoice("faktura.pdf")
print(result)
# {'nip': '1234567890', 'kwota': '1 230,00', 'data': '15.03.2026'}

PyMuPDF (fitz) — prędkość i precyzja

PyMuPDF jest 3-5x szybszy niż pdfplumber. Jeśli przetwarzasz tysiące dokumentów, różnica jest ogromna.

Bash
Kopiuj
1
pip install PyMuPDF

Ekstrakcja tekstu

Python
Kopiuj
1
2
3
4
5
6
import fitz  # PyMuPDF

doc = fitz.open("dokument.pdf")
for page in doc:
    text = page.get_text()
    print(text)

Ekstrakcja z pozycjonowaniem (bounding boxy)

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
import fitz

doc = fitz.open("dokument.pdf")
page = doc[0]

# Tekst z pozycjami — przydatne gdy układ strony jest ważny
blocks = page.get_text("blocks")
for block in blocks:
    x0, y0, x1, y1, text, block_no, block_type = block
    print(f"[{x0:.0f},{y0:.0f}] {text[:60]}")

To jest przydatne gdy musisz wiedzieć gdzie na stronie jest tekst — np. lewy górny róg to nadawca, prawy to odbiorca.

Benchmark

Dla batch processingu różnica jest znacząca.

Tesseract OCR — dla skanów

Gdy PDF jest zeskanowanym obrazem (nie ma warstwy tekstowej), potrzebujesz OCR.

Bash
Kopiuj
1
2
pip install pytesseract pdf2image Pillow
# + zainstaluj Tesseract: sudo apt install tesseract-ocr tesseract-ocr-pol

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
from pdf2image import convert_from_path
import pytesseract

# Konwertuj PDF na obrazy
images = convert_from_path("skan.pdf", dpi=300)

for i, img in enumerate(images):
    # OCR z polskim językiem
    text = pytesseract.image_to_string(img, lang="pol")
    print(f"--- Strona {i+1} ---")
    print(text)

OCR nie jest idealny — jakość zależy od:

• DPI skanu — 300 DPI minimum
• Jakość oryginału — przekrzywione, rozmazane = słabe wyniki
• Język — Tesseract ma model dla polskiego (pol), ale nie jest perfekcyjny

Tip: sprawdź czy PDF potrzebuje OCR

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
import fitz

def needs_ocr(pdf_path):
    doc = fitz.open(pdf_path)
    text = doc[0].get_text().strip()
    return len(text) < 50  # Jeśli mniej niż 50 znaków → prawdopodobnie skan

if needs_ocr("dokument.pdf"):
    print("Ten PDF to skan — użyj OCR")
else:
    print("Tekst dostępny — użyj pdfplumber/PyMuPDF")

Bonus: PDF + LLM = automatyczna analiza

Po wyciągnięciu tekstu możesz go podać do LLM i poprosić o analizę:

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import fitz
import anthropic

# 1. Ekstrakcja tekstu
doc = fitz.open("umowa.pdf")
text = "\n".join(page.get_text() for page in doc)

# 2. Analiza przez Claude
client = anthropic.Anthropic()
msg = client.messages.create(
    model="claude-haiku-4-5-20251001",
    max_tokens=1024,
    messages=[{
        "role": "user",
        "content": f"Przeanalizuj tę umowę. Wyciągnij: strony, przedmiot, kwotę, terminy, kary.\n\n{text[:3000]}"
    }]
)
print(msg.content[0].text)

To jest fundament systemów RAG, automatycznej analizy dokumentów i chatbotów firmowych.

Które podejście wybrać?

• Faktury, raporty z tabelami → pdfplumber
• Duże ilości dokumentów tekstowych → PyMuPDF
• Skany, zdjęcia dokumentów → Tesseract OCR
• Mix → PyMuPDF do szybkiego sprawdzenia + fallback na OCR

Podsumowanie

• Python ma 3 świetne biblioteki do PDF: pdfplumber (tabele), PyMuPDF (szybkość), Tesseract (skany)
• Nie potrzebujesz płatnych API — wszystko działa lokalnie
• pdfplumber najlepszy do faktur i raportów tabelarycznych
• PyMuPDF 3-5x szybszy, idealny do batch processingu
• Tesseract OCR jako fallback dla zeskanowanych dokumentów
• Połącz z LLM (Claude/GPT) do automatycznej analizy dokumentów

Ten temat — ekstrakcja danych z dokumentów — jest fundamentem automatyzacji w firmie. Jeśli chcesz pójść dalej i zbudować pełny pipeline (PDF → analiza → akcja), sprawdź mój kurs n8n.