pdfplumber 提取pdf中文 Python

基于pdfplumber库来识别pdf中文字内容

无法识别pdf中图片的内容 如果需要解析图片内容需要使用OCR技术

1. 详细代码以及注释

import pdfplumber


def extract_content(pdf_path):
    # 内容提取，使用 pdfplumber 打开 PDF，用于提取文本
    with pdfplumber.open(pdf_path) as pdf_file:

        content = ''
        print(len(pdf_file.pages))
        # len(pdf.pages)为PDF文档页数，一页页解析
        for i in range(len(pdf_file.pages)):
            print("当前第 %s 页" % i)
            # pdf.pages[i] 是读取PDF文档第i+1页
            page_text = pdf_file.pages[i]
            # page.extract_text()函数即读取文本内容
            page_content = page_text.extract_text()
            if page_content:
                content = content + page_content + "\n"
    

if __name__ == '__main__':
    pdf_file = '1.pdf'
    extract_content(pdf_file)