从 pdf 中提取文本 - PyPDF2

Posted 2023-05-07

【中文标题】从 pdf 中提取文本 - PyPDF2

【英文标题】：extracting text from pdf - PyPDF2

【发布时间】：2019-09-10 23:19:14

【问题描述】：

我正在按照页面上的教程从 pdf 中提取文本：

http://www.blog.pythonlibrary.org/2018/06/07/an-intro-to-pypdf2/

而且我可以打印 pdf 信息，但我不能打印页面的内容。它不会抛出任何错误，但我也看不到 pdf 的文本

可能是什么问题？

from PyPDF2 import PdfFileReader


def get_info(path):
    with open(path, 'rb') as f:
        pdf = PdfFileReader(f)
        info = pdf.getDocumentInfo()
        number_of_pages = pdf.getNumPages()

    #print(info)

    author = info.author
    creator = info.creator
    producer = info.producer
    subject = info.subject
    title = info.title


    print(author)
    print(creator)
    print(producer)
    print(subject)
    print(title)

def text_extractor(path):
    with open(path, 'rb') as f:
        pdf = PdfFileReader(f)

        # get the first page
        page = pdf.getPage(0)
        print(page)
        print('Page type: '.format(str(type(page))))

        text = page.extractText()

        print(text) #THIS PART SHOULD PRINT TEXT FROM PDF, BUT DOESNT WORK



if __name__ == '__main__':
        #URL PDF: https://oficinavirtual.ugr.es/apli/solicitudPAU/test.pdf
    path = 'test.pdf'
    get_info(path)
    print("\n"*2)
    text_extractor(path)

【问题讨论】：

您的代码对我来说很好用。这可能来自您正在使用的文件（也许第一页是空的？）。此外，我使用 PyPDF2 已经有一段时间了，它并不是万无一失的：使用旧版本的 Adob​​e 编码或从奇怪格式转换的 pdf 可能无法工作、抛出异常或只是返回乱码。所以用不同的文件测试你的代码，并使用 try/except。

这能回答你的问题吗？ Extract text from pdf converted from webpage using Pypdf2

【参考方案1】：

虽然这不是解决方案，但您可以简单地使用 pip 安装 pdfminer3 并使用最小的可重现示例 here