用 Python 提取 PDF 文本的简单方法

用 Python 提取 PDF 文本的简单方法

PDF（Portable Document Format）是一种常见的文档格式，用于以固定格式保存文本和图像。在处理 PDF 文件时，有时需要从中提取文本信息以进行进一步的处理或分析。本文将介绍使用 Python 提取 PDF 文本的简单方法。

安装依赖库

在开始之前，我们需要安装 PyPDF2 这个 Python 库来处理 PDF 文件。可以通过以下命令进行安装：

pip install PyPDF2

加载 PDF 文件

首先，我们需要加载要提取文本的 PDF 文件。可以使用 PyPDF2 库的 open 方法来打开一个 PDF 文件。

import PyPDF2
# 打开 PDF 文件
with open('example.pdf', 'rb') as file:
    pdf = PyPDF2.PdfFileReader(file)

在上面的代码中，我们打开了名为 "example.pdf" 的 PDF 文件，并使用 rb 模式以二进制形式读取该文件。

提取 PDF 中的文本

接下来，我们可以使用 PyPDF2 库的 getNumPages() 方法获取 PDF 文件的总页数，并使用 getPage() 方法获取每一页的文本内容。

# 获取 PDF 文件总页数
num_pages = pdf.getNumPages()
# 提取每一页的文本内容
for page in range(num_pages):
    page_obj = pdf.getPage(page)
    text = page_obj.extractText()
    print(f"Page {page+1}: {text}")

在上面的代码中，我们使用 range() 函数遍历每一页，并使用 extractText() 方法提取文本内容。最后，我们打印出每一页的文本内容。

保存提取的文本

如果我们希望将提取的文本保存到一个文件中，可以使用 Python 的文件操作来实现。

with open('extracted_text.txt', 'w') as file:
    for page in range(num_pages):
        page_obj = pdf.getPage(page)
        text = page_obj.extractText()
        file.write(f"Page {page+1}:\n{text}\n\n")

在上面的代码中，我们打开一个名为 "extracted_text.txt" 的文件，并使用 w 模式以写入的形式操作该文件。然后，我们将每一页的文本内容写入文件中，以每一页为单位。

总结

本文介绍了使用 Python 提取 PDF 文本的简单方法。首先，我们安装了 PyPDF2 库作为依赖库。然后，我们打开 PDF 文件并获取其总页数，然后逐页提取文本内容。最后，我们可以选择将提取的文本保存到一个文件中。

借助 Python 和 PyPDF2 库，我们可以轻松地提取 PDF 文本以便进一步处理或分析。