Python30行代码实现对pdf文字内容的提取

             网上有各种软件处理pdf，但是这些软件在处理pdf的效果上并不是尽如人意，本人利用Python的一个库

PyPDF2实现了对pdf文字内容的提取，至于图片提取日后再说，废话不多说，直接上代码：

from PyPDF2 import PdfFileReader

# 定义获取pdf内容的方法
def getPdfContent(filename):
    # 获取PdfFileReader对象
    pdf = PdfFileReader(open(filename, "rb"))
    content = ""  #content是输出文本
    for i in range(0,pdf.getNumPages()): #遍历每一页
        pageObj = pdf.getPage(i)
        try:
            extractedText = pageObj.extractText()#导出每一页的内容，如果当前页有图片的话就跳过
            content += extractedText + "\n"
        except BaseException:
            pass
    return content.encode("ascii", "ignore")


# 将获取的内容写入txt文件
with open("test.txt","w") as f:
    count=0 #count的作用是限制每一行的文字个数，本人设置的是十行
   #将获取的文本变成字符串并用空白隔开
    for item in str(getPdfContent("test.pdf")).split(" "):
        # 如果当前文字以句号结尾就换行
        if item[-1]==".":
            f.write(item+"\n")
            count=0
        else:
            f.write(item+" ")
            count +=1
        # 如果写了十个字就换行
        if count==10:
            f.write("\n")
            # 重置count
            count = 0