geekdoc-python-zh/docs/askpython/process-text-from-pdf-files.md

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:

Hello World. 
This is a sample PDF with 2 pages. 
This is the first page. 

第 2 页的文本:

This is the text on Page 2\. 

使用 PyPDF2 提取 PDF 文本

您可以使用 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 包管理器的信息。

pip install pypdf2

Pypdf

2.导入 PyPDF2

打开一个新的 python 笔记本，开始导入 PyPDF2。

import PyPDF2

3.以读取二进制模式打开 PDF

使用以下代码行，在读取二进制模式下打开 PDF:

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。

pdfReader = PyPDF2.PdfFileReader(pdf)

要从 PDF 的第一页获取文本，请使用以下代码行:

page_one = pdfReader.getPage(0)
print(page_one.extractText())

我们得到的输出为:

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:

page_one = pdfReader.getPage(1)
print(page_one.extractText())

我们得到的输出为:

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:

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。

pip install pdfplumber

Pdfplumber

2.导入 pdf 木材

使用下面一行代码从导入 PDFplumber 开始:

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:

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:

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。

print(first_page.page_number)

输出:

1

要了解 PDFPlumber 下的更多方法，请参考其官方文档。

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的教程，开始学习自然语言处理！