import PyPDF2
# 打开PDF文件
with open('JointBERT.pdf', 'rb') as pdf_file:
# 创建一个PdfReader对象
reader = PyPDF2.PdfReader(pdf_file)
# 获取PDF文件的总页数
total_pages = len(reader.pages)
# 逐页读取内容
for page_num in range(total_pages):
# print(page_num)
# 获取当前页对象
page = reader.pages[page_num]
# 提取当前页的文本内容
text = page.extract_text()
# 输出文本内容
if page_num ==0:
print(text)
读PDF中的文字
import PyPDF2
from PIL import Image
import io
# 打开PDF文件
pdfFileObj = open('JointBERT.pdf', 'rb')
# 创建一个PdfFileReader对象
reader = PyPDF2.PdfReader(pdfFileObj)
# 获取PDF文件的总页数
total_pages = len(reader.pages)
# 遍历每一页
# 遍历每一页
for page_num in range(total_pages):
# 获取当前页对象
page = reader.pages[page_num]
# 获取当前页对象
xObject = page['/Resources']['/XObject']
for obj in xObject:
# 遍历当前页中的所有对象
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj].get_object().get_data()
mode = ''
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = 'RGB'
else:
mode = 'P'
# 获取图像数据
# 创建Image对象
img = Image.frombytes(mode, size, data)
# 处理图像,例如保存到文件、显示等
img.show()
读PDF中的图片