使用Python导出 PDF 数据

有时，我们必须从 PDF 中提取数据。我们必须从 PDF 复制和粘贴数据。这很耗时。在Python中，我们可以使用一些包从 PDF 中提取数据并使用Python将其导出为不同的格式。我们将学习如何从 PDF 中提取数据。

使用 PDFMiner 提取文本

PDFMiner是一个 PDF 文档的文本提取工具。您可以尝试使用 pip 在您的系统中安装 PDFminer，如下所示：

pip install pdfminer

让我们开始逐页提取 PDF 的所有文本。它需要以下步骤来提取页面数据

• 创建资源管理器实例。
• 通过 Python 的 io 模块创建一个类似文件的对象。
• 创建一个转换器。
• 创建一个 PDF 解释器对象，它将获取我们的资源管理器和转换器对象并提取文本。
• 打开 PDF 并循环浏览每一页。

下面是实现。

使用的 PDF 文件：

import io
from pdfminer.converter import TextConverter
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfpage import PDFPage
  
  
def extract_text_by_page(pdf_path):
  
    with open(pdf_path, 'rb') as fh:
          
        for page in PDFPage.get_pages(fh, 
                                      caching=True,
                                      check_extractable=True):
              
            resource_manager = PDFResourceManager()
            fake_file_handle = io.StringIO()
              
            converter = TextConverter(resource_manager, 
                                      fake_file_handle)
              
            page_interpreter = PDFPageInterpreter(resource_manager,
                                                  converter)
              
            page_interpreter.process_page(page)
            text = fake_file_handle.getvalue()
              
            yield text
              
            # close open handles
            converter.close()
            fake_file_handle.close()
              
def extract_text(pdf_path):
    for page in extract_text_by_page(pdf_path):
        print(page)
        print()
          
# Driver code
if __name__ == '__main__':
    print(extract_text('GFG.pdf'))

输出：

在这个例子中，我们创建了一个函数来为每个页面生成文本。 extract_text函数打印出每一页的文本。