读PDF中的文字和图片-CSDN博客

本文链接：https://blog.csdn.net/weixin_46556352/article/details/134164080

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