使用Python提取PDF文本

PDF是一种常见的文件格式，但是直接处理PDF文件会比较困难。这里介绍如何使用Python提取PDF文本。

安装依赖

首先需要安装PyPDF2和pdfminer.six两个依赖包，可使用pip命令进行安装。

pip install PyPDF2
pip install pdfminer.six

使用PyPDF2

PyPDF2是一个简单易用的Python库，可以用于操作PDF文件。下面是一个示例代码，演示如何使用PyPDF2提取PDF文本。

import PyPDF2

# 打开PDF文件
f = open('example.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(f)

# 遍历PDF页面
for pageNum in range(pdfReader.numPages):
    # 获取页面
    pageObj = pdfReader.getPage(pageNum)
    # 获取页面文本
    print(pageObj.extractText())
    
f.close()

使用pdfminer.six

pdfminer.six是Python中处理PDF文件的另一个库。下面是使用pdfminer.six提取PDF文本的示例代码。

import io
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage

# 打开PDF文件
f = open('example.pdf', 'rb')

# 创建PDF资源管理器
rsrcmgr = PDFResourceManager()

# 创建一个BytesIO缓冲区
retstr = io.StringIO()

# 创建PDF文本转换器
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec='utf-8', laparams=laparams)

# 创建PDF解释器
interpreter = PDFPageInterpreter(rsrcmgr, device)

# 遍历PDF页面
for page in PDFPage.get_pages(f):
    # 解释页面
    interpreter.process_page(page)
    # 获取页面文本
    text = retstr.getvalue()
    print(text)

# 关闭流
f.close()
device.close()
retstr.close()

总结

以上便是使用Python提取PDF文本的两种方法，可以根据自己的需求选择合适的方法。PyPDF2和pdfminer.six均为开源库，有完善的文档和丰富的API，可供参考。