使用 PyPDF2 从 PDF 文件中提取文本

Posted 2023-05-07

【中文标题】使用 PyPDF2 从 PDF 文件中提取文本

【英文标题】：Extracting text from a PDF file using PyPDF2

【发布时间】：2019-10-22 19:12:06

【问题描述】：

这是我在这里的第一个问题，所以如果它最终出现在错误的地方或者我错过了任何有价值的信息，我深表歉意。总的来说，我对编码和 python 也非常陌生。

我正在使用 Python 3.7.4（v3.7.4:e09359112e，2019 年 7 月 8 日，14:54:52）

我正在尝试编写一些代码，从 PDF 文件中提取所有文本并将其放入一个值中（我知道，简单的东西！）。

我已经设法让它在 1 页 pdf 上正常工作，但是在尝试 96 页 PDF 时，我只能将第一页和最后一页提取到该值。这是我正在使用的代码：

pdfFile2 = open('/filepath/ir-2030.pdf', 'rb')
irReader = PyPDF2.PdfFileReader(pdfFile2)

pageNum2 = str(irReader.numPages)
print('Your document has ' + pageNum2 + ' pages' + '\n')

for pN in range(irReader.numPages):
    ir2030 = irReader.getPage(pN).extractText()

print(ir2030)

我之前使用过几乎相同的编码，它可以正常工作，但由于我不知道的原因，我只从print(ir2030) 获得了 pdf 文档的第 1 页和第 96 页的返回

任何帮助将不胜感激，或者如果有更好的方法来做我想做的事情......

干杯

【参考方案1】：

每次迭代，您都会重置 ir2030 的值。也许将值附加到列表中？

ir2030s = []
for pN in range(irReader.numPages):
    ir2030s.append(irReader.getPage(pN).extractText())

print(ir2030)

或者使用列表推导：

ir2030s = [irReader.getPage(pN).extractText() for pN in range(irReader.numPages)]