利用Python将PDF文件转换为文本文件

wavemenu

于 2024-08-11 01:28:05 发布

阅读量517

点赞数 25

文章标签： python pdf 开发语言

本文链接：https://blog.csdn.net/wavemenu/article/details/141099103

版权

虽然PDF文件对文本布局非常好，容易打印并阅读，但软件要将它们解析为纯文本并不容易，Python目前解析PDF的扩展包有很多。

通过查询资料，建议使用pdfplumber扩展包来解析PDF文档的文本和表格。本文介绍如何通过pdfplumber获取PDF的文本。

一

准备工作

确保安装了以下库：

pdfplumber

若没安装，请在命令行使用以下语句进行安装：

pip install pdfplumber

二

pdfplumber

pdfplumber中有两个基础类，PDF和Page。PDF用来处理整个文档，Page用来处理整个页面。

1.1 pdfplumber.PDF类

.metadata: 获取pdf基础信息，返回字典
pages 一个包含pdfplumber.Page实例的列表，每一个实例代表pdf每一页的信息。

1.2 pdfplumber.Page类

pdfplumber核心功能，对PDF的大部分操作都是基于这个类，包括提取文本、表格、尺寸等。

三

pdfplumber的使用指南

使用 pdfplumber 库解析 PDF 的分步指南。

步骤 1：安装 pdfplumber 库首先，您需要安装 pdfplumber 库。这可以通过运行以下命令使用 pip 来完成：

pip install pdfplumber

步骤 2：导入库安装库后，可以使用以下命令将其导入到 Python 脚本中：

import pdfplumber

步骤 3：打开 PDF 要打开 PDF，需要通过将 PDF 文件的路径传递给 open() 函数来创建 pdfplumber.PDF 对象。例如：

with pdfplumber.open("path/to/pdf") as pdf:

步骤 4：提取文本 pdfplumber 提供了多种从 PDF 中提取文本的方法。最简单的方法是 extract_text() 方法，它返回一个包含 PDF 中所有文本的字符串。例如：

text = pdf.extract_text()
print(text)

步骤 5：提取数据 pdfplumber 还提供了多种从 PDF 中提取数据的方法。其中一种方法是 extract_table() 方法，它返回包含 PDF 表格中数据的列表列表。例如：

tables = pdf.extract_table()
print(tables)

步骤 6：提取图像 pdfplumber 还允许您从 PDF 中提取图像。这可以使用 get_image() 方法来完成，该方法返回包含图像数据和元数据的对象。例如：

images = pdf.get_image()
print(images)

四

完整代码

import pdfplumber

# 打开 PDF
with pdfplumber.open("path/to/pdf") as pdf:
  # 提取文本
  text = pdf.extract_text()
  print(text)

  # 提取表格
  tables = pdf.extract_table()
  for table in tables:
      print(table)

  # 提取图像
  images = pdf.get_images()
  for image in images:
      print(image["page_number"])
      with open(f"image_{image['page_number']}.jpg", "wb") as f:
          f.write(image["data"])

只提取全部文本的代码

按页进行文本提取。

import pdfplumber
def read_pdf(pdf_path):
   with pdfplumber.open(pdf_path) as pdf:
           content = ''
           for i in range(len(pdf.pages)):
               # 读取PDF文档第i+1页
               page = pdf.pages[i]

               # page.extract_text()函数即读取文本内容，下面这步是去掉文档最下面的页码
               page_content = '\n'.join(page.extract_text().split('\n')[:-1])
               content = content + page_content
   return content

if __name__ == '__main__':
   a = read_pdf(r'2011.pdf')
   print()

五

小结

在本文中，我们介绍了使用 pdfplumber 库在 Python 中解析 PDF 的基础知识。使用 pdfplumber，可以轻松地从 PDF 中提取文本、数据和图像。

今天先到这里了。明天发一篇关于PDF文件转换为md文件的教程及代码分享。

（完）