如何用Python提取PDF内容至TXT文件

off999 2025-06-30 19:18 4 浏览 0 评论

哈喽大家好，我是特异程序员。这次我将分几节课来介绍在python里面如何提取pdf文件里面的文本、图片以及表格。

·这节课先来介绍如何提取pdf文件里面的文本。这里我用到的库叫做pdfplummer，这里我已经在它的官网上复制了一下安装命令，然后在终端的命令行里面输入安装之后，可以在官网上先拷贝一段它提供的代码data。

·然后在vs code里面先创建了一个Python文件，然后将这根代码拷贝进来。当然还不能直接用它的代码，需要修改一下在open这个方法里面的参数，把它变成本地pdf的文件路径。这里我把这个文件的路径存储在了一个叫做file下滑杠pass这样一个变量里。

·修改完之后来运行看一下，这段代码实际上是读取了pdf文件里面的第一页当中的第一个字符，它的第一个字符应该是一个t。

·如何来提取全部的pdf里面的文本？所以就需要用到pdfplumber里面提供的一个方法叫做extract下滑杠text。所以这里我首先在with block里面设置了一个叫做txt的空字符串，它将用来储存提取到的文本。

·然后调用pdf对象的pages方法，它返回的是pdf美业的对象的列表，用负循环来便利这个列表来得到美业的对象配置。

·然后调用配置里面的xtract下滑杠tax的方法就能得到这一页的文本，然后将它累加到txt变量上。

·执行完负循环之后就可以打印出来txt变量。接着就可以来运行这个代码看一下，可以看到pdf里面的文本基本就打印了出来。在输出里面也会看到一些叫做cropboxmissing这样的一些提示，可以不去理它，因为提取的部分并没有包含这些提示的信息。

·接着就可以把得到的txc变量保存到一个文本当中，所以这里我先设置了一个输出的文件的名称叫做output小高杠pdf第二txt这样一个文件名。

·然后用open方法以写入的文件模式来打开这个文件，注意因为存储的是中文的文本，所以including这个参数要设置成utf-8。

·最后通过调用这个文件对象的right方法来将txt这个变量的内容写入到这个文件保存之后，再次运行这个代码就会看到在同级的目录下生成了一个txt文件，这其中的内容也就是刚才打印出来的tx字符串里面的内容。

这次就分享到这里，下次再见。

相关推荐