Colab 上的 Poppler - Python

Poppler 是一款开源软件，用于处理 PDF 文件。通过 Colab，您可以使用 Python 访问 Poppler，以执行许多操作，如转换、合并、拆分和提取 PDF 文件。

安装 Poppler

首先，您需要安装 Poppler 库在 Colab 上进行 PDF操作。 要安装，请运行以下命令：

!apt-get install poppler-utils
!apt-get install libpoppler-cpp-dev
!pip install pdftotext
!pip install pdf2image

这将安装 poppler-utils、libpoppler-cpp-dev以及两个 Python 包：pdftotext和pdf2image。

从PDF文件中抽取文本

要从 PDF 文件中提取文本，请使用 pdftotext 包。以下是提取 PDF 文件中文本的示例代码：

import pdftotext

with open('/content/sample.pdf', 'rb') as f:
    pdf = pdftotext.PDF(f)

# Iterate over all the pages
for page in pdf:
    print(page)

将PDF文件转换为图像

要将 PDF 文件转换为图像，请使用 pdf2image 包。以下是转换 PDF 文件为图像的示例代码：

from pdf2image import convert_from_path

# Store Pdf with convert_from_path function
images = convert_from_path('/content/sample.pdf')

# Loop through all the images and save them one by one
for i, image in enumerate(images):
    fname = '/content/image'+str(i)+'.jpg'
    image.save(fname, "JPEG")

在PDF 文件中查找关键字

要在 PDF 文件中查找特定关键字，请将文本提取和关键字匹配组合起来。以下是在 PDF 文件中查找关键字的示例代码：

import pdftotext

searchphrase = "example"

with open('/content/sample.pdf', 'rb') as f:
    pdf = pdftotext.PDF(f)

    # Iterate over all the pages
    for i, page in enumerate(pdf):
        # Search the current page for the search phrase
        if searchphrase in page:
            # Print the page number and the line that contains the search phrase
            print('Page number:', i+1)
            print(page)

合并多个PDF 文件

要合并多个 PDF 文件，请使用 pdftk、PyPDF2或 PyMuPDF 等 Python 包。以下是使用 PyPDF2包合并多个PDF文件的示例代码：

from PyPDF2 import PdfFileMerger

pdfs = ['/content/sample1.pdf', '/content/sample2.pdf']

merger = PdfFileMerger()

for pdf in pdfs:
    merger.append(pdf)

merger.write("/content/merged.pdf")
merger.close()

这些是使用 Poppler 和 Python 在 Colab 上进行一些常见的 PDF 操作的示例。 Poppler 具有更多的功能，但本文只介绍了一些常见的操作。