在日常工作里，不管你是做开发、运营、财务、知识库、档案整理，

只要碰到 PDF 文件，大概率都会头疼：

• 内容不能直接复制

• 表格排版混乱

• 大量文件需要批量解析

• 一份 PDF 几百页，人工整理太慢

而 pdf-extract-api 就是一款专门为开发者和团队准备的开源工具，

基于 FastAPI 搭建，轻量、稳定、可扩展，通过 API 的方式即可实现：

✔ 文本提取

✔ 图片提取

✔ 表格解析

✔ 元数据提取

✔ 批量解析任务

✔ 自定义解析策略

更重要的是，它能部署在自己的服务器上，

不依赖第三方服务，不上传敏感文件，数据更安全。

接下来，我就带你用 莱卡云服务器

从零开始搭建一个可在线、可远程访问的 pdf-extract-api 服务。

一、pdf-extract-api 能做什么？

这类 PDF API 工具非常适用以下场景：

1. PDF 文本提取

自动从 PDF 中提取所有纯文本，非常适合做：

• 搜索引擎索引

• 自动写摘要

• 自动问答系统（Bot）

• 数据挖掘

2. 表格提取（结构化数据）

PDF 里的表格是最麻烦的部分，pdf-extract-api 能自动识别表格并转成：

• JSON

• CSV

• 矩阵格式

非常适合财务报表、购买记录、合同台账。

3. 图片抽取

可以从文档中抽出所有图片资源，用于：

• 封面查重

• 内部审计

• 二次图像识别

4. 元数据解析

包括标题、作者、生成器、页数、字体等信息。

5. 批量解析任务

你可以一次丢几十个或上百个 PDF，让 API 在后台自动解析。

二、为什么要部署在莱卡云服务器？

本地部署虽然能跑，但存在：

• 电脑性能有限，批量任务容易卡

• 本地网络不稳定

• 不方便团队共享

• 不能 7×24 小时提供 API 服务

部署到云服务器：

✔ 可长期运行，不中断

FastAPI 服务会一直保持在线。

✔ 不占用本地资源

本地只负责发请求，解析全部丢给服务器处理。

✔ 团队共享更方便

多个同事可以统一调用 API。

✔ 更安全

所有 PDF 都存储在你的服务器，不会外泄。

因此非常适合企业内部系统、自动化系统、知识库、财务文件解析等场景。

三、准备一台合适的服务器

为 PDF 解析工具推荐的配置：

• 2~4 核 CPU（文本解析很吃 CPU）

• 8GB 内存 起步

• 40GB SSD（PDF 文件体积普遍较大）

• 系统：Ubuntu 22.04 或 Debian 12

• 带宽：10Mbps 以上即可

在莱卡云这样的节点上部署，会更加稳定。

四、服务器基础环境安装

更新系统：

sudo apt update sudo apt upgrade -y

安装依赖：

sudo apt install -y git python3 python3-venv python3-pip poppler-utils

其中：

• poppler-utils 是 PDF 文本提取工具（pdftotext 等）

• Python 用于运行 FastAPI 服务端

五、上传 pdf-extract-api 到服务器（无链接）

你可以在本地把项目打包后上传：

scp pdf-extract-api.zip root@服务器IP:/opt/

进入目录并解压：

cd /opt unzip pdf-extract-api.zip cd pdf-extract-api

六、创建虚拟环境 & 安装依赖

python3 -m venv venv source venv/bin/activate pip install --upgrade pip pip install -r requirements.txt

FastAPI 会自动安装包括：

• Uvicorn

• PDF 解析工具包

• 表格识别组件

• 文档解析算法

七、启动 FastAPI 服务（核心步骤）

source venv/bin/activate uvicorn api:app --host 0.0.0.0 --port 8000

如果项目入口是 main.py，则替换为：

uvicorn main:app --host 0.0.0.0 --port 8000

启动后会输出：

Running on http://0.0.0.0:8000

你可以访问：

http://你的服务器IP:8000/docs

就能看到 FastAPI 提供的可交互 API 文档页面。

（这一点非常好用：上传 PDF、调用 API、参数，都能在页面上直接调试。）

八、实际使用：一份 PDF 的完整解析流程

下面帮你模拟一个从上传到解析的真实场景。

① 上传 PDF 文件

在 /docs 里找到：

• /extract_text

• /extract_images

• /extract_tables

这三个接口通常都支持文件上传。

② 选择解析功能

例如在 /extract_text 裡上传一个合同 PDF：

服务器会自动输出：

• 所有文本内容

• 页码信息

• 原格式大致结构（按空行与段落）

③ 提取表格（非常实用）

访问 /extract_tables

上传一份财务报表，它可能会自动识别：

[ { "page": 1, "table_index": 0, "data": [ ["日期", "项目", "金额"], ["2023/05/01", "设备采购", "¥ 18200"], ["2023/06/10", "服务器续费", "¥ 5200"] ] } ]

这就很适合导入数据库进行二次分析。

④ 提取图片资源

/extract_images 会返回所有内嵌图片，比如：

• PDF 封面

• 插图

• 扫描文档的原图分块

这些可以用于审计、素材复用、OCR 加工。

九、进阶玩法（这是服务器部署的真正价值）

如果你在莱卡云服务器上跑 pdf-extract-api，还可以做更多事情：

✔ 批量处理上传目录

例如监控 /data/pdfs/input

任何上传 PDF → 自动解析 → 产出 JSON。

✔ 将解析结果接入你自己的系统

如：

• 企业 ERP

• 文档管理系统

• 知识库问答系统

✔ 配合大模型自动总结 / 生成问答

从 PDF 提取文本 → 大模型总结成 QA → 存库

可快速生成企业知识问答库。

✔ 与对象存储配套使用

解析结果自动上传 OSS，方便长期保存。

✔ 作为内部微服务使用

团队里任何人都能通过 API 带 PDF 来解析。

十、使用建议（来自真实经验）

• 批量解析建议使用异步任务（Celery/RQ）

• 对扫描版 PDF 结合 OCR 效果更好

• 大文件建议限制上传大小，避免打满服务器

• 表格解析不完美时，可自定义参数优化

• 强烈建议使用 tmux/screen 运行服务，防止 SSH 掉线