python应用:如何用python提取pdf文件中的文字

off999 2024-09-21 20:58 48 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）

python读取pdf