python程序30行_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