python应用:如何用python提取pdf文件中的文字
off999 2024-09-21 20:58 33 浏览 0 评论
从pdf中提取文字，相信很多人都干过这事，怎么在python中实现呢，今天带大家看看。
第一步导入库
import PyPDF2第二步导入pdf文件
pdf_file =open('dataset/laban.1027.pdf', 'rb')第三步读取pdf并检查加密情况
read_pdf = PyPDF2.PdfFileReader(pdf_file)
read_pdf.getIsEncrypted()
read_pdf.numPages在上面的代码中我首先建立了一个pdf阅读器read_pdf，然后通过.getIsEncrypted方法检查这个pdf的加密情况。然后我们再看了看我们这个pdf到底有几页，结果如下：
我们得到的结果是Flase，页码数为1，说明我们的pdf是没有加密的，要注意如果是加密的pdf我们在之后的提取文字过程可能会报错。
第4步提取文字
提取文字的代码如下：
page1 = read_pdf.getPage(0)
page1.extractText()解释一下上面的代码，首先还是要指定提取的pdf的页码，我这儿指定的是0也就是第一页，运行以上代码会得到如下结果：
可以看到，文字虽然被提取出来了，但是文字并没有自动换行，相应的换行符号都被“\n”替代了，此时我们需要做的就是将提取出来的原始文本正常换行，很简单直接用处理字符串的.split方法即可。代码如下：
page1.extractText().split('\n')运行代码得到结果：
可以看到，现在文字都进行了正常换行，但是因为原始pdf的排版问题，这个表现并不是很好，大家可以换一个pdf看一看效果。
结语
今天给大家介绍了用python从pdf文件中提取文字的方法，这个只是提取方法的一小部分演示，还有很多库都可以进行pdf文字的提取，之后再给大家写。感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python的，加油。
（数据链接发不了，请关注后私信回复“数据链接”获取本头条号所有使用数据，包括本文的pdf文件）
相关推荐
- 路由器重置方法（路由器重置方法详细步骤）
-
路由器靠近WAN口边上的有一个小孔用于路由器的重置，路由器配置完成后，我们可能会忘记他的用户名或者是密码，那么我们可以把它恢复到出厂设置，再靠近万口或电源之间，有一个小孔，用一个尖锐的金属查一下大约五...
- 100个有效qq号以及密码（有效qq号和密码大全）
-
如果你的电脑知识好的话，不妨用一些复合密码！SHIFT+一些特殊符号，字母，数字！虽然麻烦了点，但总比被人盗号了的好，是吧！最好还用手机绑定一下，这样的话方便改密码也不怕QQ被盗了哦。。。QQ密码找回...
- win10家庭中文版下载官网（windows10家庭中文版下载）
-
你好，激活Win10家庭中文版的方法：1.购买正版Win10家庭中文版激活码，然后在计算机上输入激活码，即可完成激活。2.如果您已经安装了Win10家庭中文版，但尚未激活，可以通过以下步骤激活：-...
- 电脑截图在哪里找（电脑截图在哪里找图片win10）
-
截图默认会保存在电脑的剪贴板中，可以通过以下步骤将其保存到本地：1.打开任意一款图片软件，如Paint、Photoshop、Word等。2.按下键盘上的Ctrl+V，或者在软件菜单栏中选择&#...
- 电脑里一堆microsoft visual
-
按照系统向下兼容原理，保留2010就可以了.1）你安装的时候是不是把创建快捷键的选项框都没选上，导致在开始菜单中没有找到相应的链接？2）去你的安装目录下，找到Microsoftvisualc++...
-
- windows无法识别usb（windows无法识别usb设备）
-
Windows无法识别USB，解决办法如下右键开始菜单打开设备管理器，在通用串行总线控制器中右键点击设备选择“卸载”，完成后重新启动计算机即可解决问题。这有可能是在组策略中禁用了USB口，可以使用快捷键【Win+R】运行gpedit.msc...
-
2025-11-10 11:51 off999
- bios能看到硬盘 开机找不到硬盘
-
bios里可以看到硬盘，说明硬盘已经被主板识别。进系统找不到，可能硬盘没分区，或者硬盘是动态磁盘，还没有导入或激活。按win+r，输入diskmgmt.msc回车，就打开磁盘管理了，在里面可以给新硬盘...
- 无线网有个红叉（无线网有个红叉,搜索不到网络）
-
连接失败，路由坏换路由，外网坏，报修无线网络处出现红叉表示设备无法正常工作。请检查网卡驱动是否正常，无线网络开关是否打开。解决方法：查看电脑是否有无线网络开关，且是否打开。进入设备管理器检查网卡驱动是...
- thinkpad笔记本官网首页（thinkpad官方商城）
-
官方网站 国内：http://www.thinkworld.com.cn 国内用户只需要访问国内即可。 ThinkPad，中文名为“思考本”，在2005年以前是IBMPC事业部旗下的便携式计算机...
- win7什么版本最好用（win7哪个版本最稳定流畅）
-
Windows7旗舰版，最好，最稳定。Windows7,是由微软公司（Microsoft）开发的操作系统，内核版本号为WindowsNT6.1。Windows7可供选择的版本有：简易版（Sta...
- win7自带虚拟光驱怎么使用（win7系统虚拟光驱安装教程）
-
以DAEMONTools为例,360软件管家里面就有最新版的下.安装后使用方法如下:第一种方法：在虚拟光驱界面中,你先按一下中间工具栏最左边“+”符号的按钮，添加镜像文件（可以一次添加多个），这...
- 电脑装系统蓝屏（电脑装系统蓝屏重启开不了机）
-
蓝屏的原因往往集中在不兼容的硬件和驱动程序、有问题的软件、病毒等。解决办法：1、病毒的原因。使用电脑管家杀毒。2、内存的原因。用橡皮擦把内存条的金手指擦拭一下，把氧化层擦掉，确保内存条安装、运行正常。...
- u盘安装软件（u盘安装软件到电视）
-
第一种情况：软件安装包可以直接下载的。在电脑上将软件安装包下载到本地硬盘，然后将下载好软件安装包拷贝到U盘上即可拿到别的电脑上去安装。分可为exe格式的和rar格式，exe格式直接安装，rar格式的解...
- microsoft官网账户注册（microsoft 帐户注册）
-
要创建Microsoft账户，您可以按照以下步骤进行操作：1.打开任意一个支持浏览器的设备，如电脑、手机或平板电脑。2.在浏览器中输入"Microsoft账户注册"或直接访问Mic...
欢迎 你 发表评论:
- 一周热门
-
-
抖音上好看的小姐姐，Python给你都下载了
-
全网最简单易懂!495页Python漫画教程，高清PDF版免费下载
-
Python 3.14 的 UUIDv6/v7/v8 上新，别再用 uuid4 () 啦!
-
python入门到脱坑 输入与输出—str()函数
-
飞牛NAS部署TVGate Docker项目，实现内网一键转发、代理、jx
-
宝塔面板如何添加免费waf防火墙?（宝塔面板开启https）
-
Python三目运算基础与进阶_python三目运算符判断三个变量
-
(新版)Python 分布式爬虫与 JS 逆向进阶实战吾爱分享
-
慕ke 前端工程师2024「完整」
-
失业程序员复习python笔记——条件与循环
-
- 最近发表
- 标签列表
-
- python计时 (73)
- python安装路径 (56)
- python类型转换 (93)
- python进度条 (67)
- python吧 (67)
- python的for循环 (65)
- python格式化字符串 (61)
- python静态方法 (57)
- python列表切片 (59)
- python面向对象编程 (60)
- python 代码加密 (65)
- python串口编程 (77)
- python封装 (57)
- python写入txt (66)
- python读取文件夹下所有文件 (59)
- python操作mysql数据库 (66)
- python获取列表的长度 (64)
- python接口 (63)
- python调用函数 (57)
- python多态 (60)
- python匿名函数 (59)
- python打印九九乘法表 (65)
- python赋值 (62)
- python异常 (69)
- python元祖 (57)