python应用:如何用python提取pdf文件中的文字
itomcoil 2025-01-07 13:25 37 浏览
从pdf中提取文字，相信很多人都干过这事，怎么在python中实现呢，今天带大家看看。
第一步导入库
import PyPDF2第二步导入pdf文件
pdf_file =open('dataset/laban.1027.pdf', 'rb')第三步读取pdf并检查加密情况
read_pdf = PyPDF2.PdfFileReader(pdf_file)
read_pdf.getIsEncrypted()
read_pdf.numPages在上面的代码中我首先建立了一个pdf阅读器read_pdf，然后通过.getIsEncrypted方法检查这个pdf的加密情况。然后我们再看了看我们这个pdf到底有几页，结果如下：
我们得到的结果是Flase，页码数为1，说明我们的pdf是没有加密的，要注意如果是加密的pdf我们在之后的提取文字过程可能会报错。
第4步提取文字
提取文字的代码如下：
page1 = read_pdf.getPage(0)
page1.extractText()解释一下上面的代码，首先还是要指定提取的pdf的页码，我这儿指定的是0也就是第一页，运行以上代码会得到如下结果：
可以看到，文字虽然被提取出来了，但是文字并没有自动换行，相应的换行符号都被“\n”替代了，此时我们需要做的就是将提取出来的原始文本正常换行，很简单直接用处理字符串的.split方法即可。代码如下：
page1.extractText().split('\n')运行代码得到结果：
可以看到，现在文字都进行了正常换行，但是因为原始pdf的排版问题，这个表现并不是很好，大家可以换一个pdf看一看效果。
结语
今天给大家介绍了用python从pdf文件中提取文字的方法，这个只是提取方法的一小部分演示，还有很多库都可以进行pdf文字的提取，之后再给大家写。感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python的，加油。
（数据链接发不了，请关注后私信回复“数据链接”获取本头条号所有使用数据，包括本文的pdf文件）
相关推荐
- selenium(WEB自动化工具)
-
定义解释Selenium是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。支持的浏览器包括IE（7,8,9,10,11），MozillaF...
- 开发利器丨如何使用ELK设计微服务中的日志收集方案?
-
【摘要】微服务各个组件的相关实践会涉及到工具，本文将会介绍微服务日常开发的一些利器，这些工具帮助我们构建更加健壮的微服务系统，并帮助排查解决微服务系统中的问题与性能瓶颈等。我们将重点介绍微服务架构中...
- 高并发系统设计:应对每秒数万QPS的架构策略
-
当面试官问及"如何应对每秒几万QPS(QueriesPerSecond)"时，大概率是想知道你对高并发系统设计的理解有多少。本文将深入探讨从基础设施到应用层面的解决方案。01、理解...
- 2025 年每个 JavaScript 开发者都应该了解的功能
-
大家好，很高兴又见面了，我是"高级前端进阶"，由我带着大家一起关注前端前沿、深入前端底层技术，大家一起进步，也欢迎大家关注、点赞、收藏、转发。1.Iteratorhelpers开发者...
- JavaScript Array 对象
-
Array对象Array对象用于在变量中存储多个值:varcars=["Saab","Volvo","BMW"];第一个数组元素的索引值为0，第二个索引值为1，以此类推。更多有...
- Gemini 2.5编程全球霸榜，谷歌重回AI王座，神秘模型曝光，奥特曼迎战
-
刚刚，Gemini2.5Pro编程登顶，6美元性价比碾压Claude3.7Sonnet。不仅如此，谷歌还暗藏着更强的编程模型Dragontail，这次是要彻底翻盘了。谷歌，彻底打了一场漂亮的翻...
- 动力节点最新JavaScript教程(高级篇)，深入学习JavaScript
-
JavaScript是一种运行在浏览器中的解释型编程语言，它的解释器被称为JavaScript引擎，是浏览器的一部分，JavaScript广泛用于浏览器客户端编程，通常JavaScript脚本是通过嵌...
- 一文看懂Kiro，其 Spec工作流秒杀Cursor，可移植至Claude Code
-
当Cursor的“即兴编程”开始拖累项目质量，AWS新晋IDEKiro以Spec工作流打出“先规范后编码”的系统工程思维：需求-设计-任务三件套一次生成，文档与代码同步落地，复杂项目不...
- 「晚安·好梦」努力只能及格，拼命才能优秀
-
欢迎光临，浏览之前点击上面的音乐放松一下心情吧！喜欢的话给小编一个关注呀！Effortscanonlypass,anddesperatelycanbeexcellent.努力只能及格...
- JavaScript 中 some 与 every 方法的区别是什么?
-
大家好，很高兴又见面了，我是姜茶的编程笔记，我们一起学习前端相关领域技术，共同进步，也欢迎大家关注、点赞、收藏、转发，您的支持是我不断创作的动力在JavaScript中，Array.protot...
- 10个高效的Python爬虫框架，你用过几个?
-
小型爬虫需求，requests库+bs4库就能解决；大型爬虫数据，尤其涉及异步抓取、内容管理及后续扩展等功能时，就需要用到爬虫框架了。下面介绍了10个爬虫框架，大家可以学习使用！1.Scrapysc...
- 12个高效的Python爬虫框架，你用过几个?
-
实现爬虫技术的编程环境有很多种，Java、Python、C++等都可以用来爬虫。但很多人选择Python来写爬虫，为什么呢？因为Python确实很适合做爬虫，丰富的第三方库十分强大，简单几行代码便可实...
- pip3 install pyspider报错问题解决
-
运行如下命令报错:>>>pip3installpyspider观察上面的报错问题，需要安装pycurl。是到这个网址:http://www.lfd.uci.edu/~gohlke...
- PySpider框架的使用
-
PysiderPysider是一个国人用Python编写的、带有强大的WebUI的网络爬虫系统，它支持多种数据库、任务监控、项目管理、结果查看、URL去重等强大的功能。安装pip3inst...
- 「机器学习」神经网络的激活函数、并通过python实现激活函数
-
神经网络的激活函数、并通过python实现whatis激活函数感知机的网络结构如下：左图中，偏置b没有被画出来，如果要表示出b，可以像右图那样做。用数学式来表示感知机：上面这个数学式子可以被改写：...
- 一周热门
- 最近发表
- 标签列表
-
- ps图案在哪里 (33)
- super().__init__ (33)
- python 获取日期 (34)
- 0xa (36)
- super().__init__()详解 (33)
- python安装包在哪里找 (33)
- linux查看python版本信息 (35)
- python怎么改成中文 (35)
- php文件怎么在浏览器运行 (33)
- eval在python中的意思 (33)
- python安装opencv库 (35)
- python div (34)
- sticky css (33)
- python中random.randint()函数 (34)
- python去掉字符串中的指定字符 (33)
- python入门经典100题 (34)
- anaconda安装路径 (34)
- yield和return的区别 (33)
- 1到10的阶乘之和是多少 (35)
- python安装sklearn库 (33)
- dom和bom区别 (33)
- js 替换指定位置的字符 (33)
- python判断元素是否存在 (33)
- sorted key (33)
- shutil.copy() (33)