207 lines
4.6 KiB
Markdown
207 lines
4.6 KiB
Markdown
|
# 如何用 Python 处理 PDF 文件中的文本？
|
|||
|
|
|
|||
|
|
> 原文：<https://www.askpython.com/python/examples/process-text-from-pdf-files>
|
|||
|
|
|
|||
|
|
pdf 是共享文本的常用方式。 *PDF* 代表 ***可移植文档格式*** ，使用 ***。pdf* 文件扩展名**。它是由 Adobe Systems 在 20 世纪 90 年代早期创建的。
|
|||
|
|
|
|||
|
|
使用 python 阅读 PDF 文档可以帮助您自动化各种各样的任务。
|
|||
|
|
|
|||
|
|
在本教程中，我们将学习如何用 Python 从 PDF 文件中提取文本。
|
|||
|
|
|
|||
|
|
让我们开始吧。
|
|||
|
|
|
|||
|
|
## 用 Python 从 PDF 文件中读取和提取文本
|
|||
|
|
|
|||
|
|
出于本教程的目的，我们正在创建一个 2 页的 PDF 样本。你可以使用任何文字处理软件，如微软 Word 或谷歌文档，将文件保存为 PDF 格式。
|
|||
|
|
|
|||
|
|
第 1 页上的文本:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
Hello World.
|
|||
|
|
This is a sample PDF with 2 pages.
|
|||
|
|
This is the first page.
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
第 2 页的文本:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
This is the text on Page 2\.
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
## 使用 PyPDF2 提取 PDF 文本
|
|||
|
|
|
|||
|
|
您可以使用 [PyPDF2](https://pypi.org/project/PyPDF2/) 从 PDF 中提取文本。让我们看看它是如何工作的。
|
|||
|
|
|
|||
|
|
### 1.安装软件包
|
|||
|
|
|
|||
|
|
要在您的系统上安装 PyPDF2，请在终端上输入以下命令。你可以阅读更多关于 [pip 包管理器](https://www.askpython.com/python-modules/python-pip)的信息。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
pip install pypdf2
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Pypdf
|
|||
|
|
|
|||
|
|
### 2.导入 PyPDF2
|
|||
|
|
|
|||
|
|
打开一个新的 python 笔记本，开始导入 PyPDF2。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
import PyPDF2
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 3.以读取二进制模式打开 PDF
|
|||
|
|
|
|||
|
|
使用以下代码行，在[读取二进制模式](https://www.askpython.com/python/built-in-methods/open-files-in-python)下打开 PDF:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
pdf = open('sample_pdf.pdf', 'rb')
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
这将为我们的 PDF 创建一个 **PdfFileReader 对象**，并将其存储到变量' *pdf '中。*
|
|||
|
|
|
|||
|
|
### 4.使用 PyPDF2。PdfFileReader()来读取文本
|
|||
|
|
|
|||
|
|
现在您可以使用 PyPDF2 中的 **PdfFileReader** ()方法来读取文件。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
pdfReader = PyPDF2.PdfFileReader(pdf)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
要从 PDF 的第一页获取文本，请使用以下代码行:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
page_one = pdfReader.getPage(0)
|
|||
|
|
print(page_one.extractText())
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
我们得到的输出为:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
Hello World.
|
|||
|
|
!This is a sample PDF with 2 pages. !This is the first page. !
|
|||
|
|
|
|||
|
|
Process finished with exit code 0
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
这里我们使用 getPage 方法将页面存储为一个对象。然后我们使用 extractText()方法从页面对象中获取文本。
|
|||
|
|
|
|||
|
|
我们得到的文本属于类型 **String。**
|
|||
|
|
|
|||
|
|
同样，要从 PDF 获取第二页，请使用:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
page_one = pdfReader.getPage(1)
|
|||
|
|
print(page_one.extractText())
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
我们得到的输出为:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
This is the text on Page 2\.
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 使用 PyPDF2 读取 PDF 文本的完整代码
|
|||
|
|
|
|||
|
|
本节的完整代码如下所示:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
import PyPDF2
|
|||
|
|
pdf = open('sample_pdf.pdf', 'rb')
|
|||
|
|
pdfReader = PyPDF2.PdfFileReader(pdf)
|
|||
|
|
page_one = pdfReader.getPage(0)
|
|||
|
|
print(page_one.extractText())
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
如果您注意到，在上面的输出中，第一页的格式有点不对。这是因为 PyPDF2 读取 PDF 的效率不是很高。
|
|||
|
|
|
|||
|
|
幸运的是，Python 有比 PyPDF2 更好的替代方案。我们接下来会谈到这一点。
|
|||
|
|
|
|||
|
|
## 使用 PDFplumber 提取文本
|
|||
|
|
|
|||
|
|
PDFplumber】是另一个可以从 PDF 中提取文本的工具。与 PyPDF2 相比，它更强大。
|
|||
|
|
|
|||
|
|
### 1.安装软件包
|
|||
|
|
|
|||
|
|
让我们开始安装 PDFplumber。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
pip install pdfplumber
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Pdfplumber
|
|||
|
|
|
|||
|
|
### 2.导入 pdf 木材
|
|||
|
|
|
|||
|
|
使用下面一行代码从导入 PDFplumber 开始:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
import pdfplumber
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 3.使用 PDFplumber 读取 pdf
|
|||
|
|
|
|||
|
|
您可以通过以下代码开始使用 PDFplumber 阅读 pdf:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
with pdfplumber.open("sample_pdf.pdf") as pdf:
|
|||
|
|
first_page = pdf.pages[0]
|
|||
|
|
print(first_page.extract_text())
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
这将从我们的 PDF 的第一页获取文本。输出如下:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
Hello World.
|
|||
|
|
|
|||
|
|
This is a sample PDF with 2 pages.
|
|||
|
|
|
|||
|
|
This is the first page.
|
|||
|
|
|
|||
|
|
Process finished with exit code 0
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
您可以将它与 PyPDF2 的输出进行比较，看看 PDFplumber 在格式化方面如何更好。
|
|||
|
|
|
|||
|
|
PDFplumber 还提供了从 PDF 获取其他信息的选项。
|
|||
|
|
|
|||
|
|
比如可以用**。page_number** 获取页码。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
print(first_page.page_number)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
输出:
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
1
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
要了解 PDFPlumber 下的更多方法，请参考其官方[文档。](https://github.com/jsvine/pdfplumber)
|
|||
|
|
|
|||
|
|
## 结论
|
|||
|
|
|
|||
|
|
本教程是关于从 pdf 中读取文本的。我们研究了两种不同的工具，并发现其中一种比另一种更好。
|
|||
|
|
|
|||
|
|
现在你知道了如何从 PDF 中读取文本，你应该阅读我们关于[标记化](https://www.askpython.com/python-modules/tokenization-in-python-using-nltk)的教程，开始学习自然语言处理！
|