从 PDF 中提取文本 - 所有页面和输出 - 使用 Python 的文件

Posted 2023-03-07

【中文标题】从 PDF 中提取文本 - 所有页面和输出 - 使用 Python 的文件

【英文标题】：Extracting text from a PDF - All pages and Output - file using Python

【发布时间】：2017-04-10 03:28:52

【问题描述】：

我是 Python 新手。 我正在使用此代码来提取文本。是否可以提取所有页面并在文件中输出？

import PyPDF2
pdf_file = open('sample.pdf','rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(10)
page_content = page.extractText()
print (page_content)

【问题讨论】：

我觉得你可以参考这个链接***.com/questions/17003185/…除了pypdf2

【参考方案1】：

使用循环提取每个页面的文本并将每个页面的文本写入单个文件。

import PyPDF2
with open('sample.pdf','rb') as pdf_file, open('sample.txt', 'w') as text_file:
    read_pdf = PyPDF2.PdfFileReader(pdf_file)
    number_of_pages = read_pdf.getNumPages()
    for page_number in range(number_of_pages):   # use xrange in Py2
        page = read_pdf.getPage(page_number)
        page_content = page.extractText()
        text_file.write(page_content)

【讨论】：

完美！有效！但是......是否可以阅读这种pdf？ cotemar.com.br/biblioteca/administracao/…

该 PDF 似乎是一本扫描书。即使它已经过 OCR，我也不知道 PyPDF 是否可以处理它。

【参考方案2】：

我使用以下代码将多个pdf文件转换为txt

p

df_dir = "D:/search/pdf"
txt_dir = "D:/pdf_to_text"


corpus = (f for f in os.listdir(pdf_dir) if not f.startswith('.') and isfile(join(pdf_dir, f)))
pdfWriter = PyPDF2.PdfFileWriter()


for filename in corpus:

    pdf = open(join(pdf_dir, filename),'rb')
    pdfReader = PyPDF2.PdfFileReader(pdf)


    for page in range(1, pdfReader.numPages):
        pageObj = pdfReader.getPage(page)
        pdfWriter.addPage(pageObj)

        text = pageObj.extractText()


        page_name = "-page.txt".format(filename[:4], page + 1)

        with open(join(txt_dir, page_name), mode="w", encoding='UTF-8') as o:
            o.write(text)

这段代码可以正常工作，但是对于每个文件我都有多个页面，当我运行上面的代码时，它给我的数据是 file1-page1.txt、file1-page2.txt、file1-page3.txt。但我希望 file.txt 包含所有页面的信息。我该怎么做。

【参考方案3】：

    def getPptContent(path, text):
        pdfWriter = PyPDF2.PdfFileWriter()
        pdf = open(join(pdf_dir, filename),'rb')
        pdfReader = PyPDF2.PdfFileReader(pdf)
        for page in range(1, pdfReader.numPages):
        pageObj = pdfReader.getPage(page)
        pdfWriter.addPage(pageObj)
        text = pageObj.extractText()
  return text

  pdf_dir = "pdf_directory name"
  corpus = [str(f) for f in os.listdir(pdf_dir) if not f.startswith('.') and 
            isfile(join(pdf_dir, f))]

 for filename in corpus:
   Path = pdf_dir + "/" +filename
   print(Path)
   file_content = getPptContent(Path)
   f = open(pdf_dir + "/output/" + filename.split(".")[0]  +".txt" ,"w+", 
       encoding="utf-8")
   f.write(str(file_content))
   f.close()

上面的代码对我有用。