Python異步IO編程的進程/線程通信實現
這篇文章再講3種方式，同時講4中進程間通信的方式一、 Python 中線程間通信的實現方式共享變量共享變量是多個線程可以共同訪問的變量。在Python中，可以使用threading模塊中的L
PDF文件具有跨平臺的特點，可以在不同的操作系統和設備上保持一致的顯示效果。但是，PDF文件也有一些缺點，比如不易編輯、復制和搜索。如果我們想要從PDF文件中提取文本內容，該怎么辦呢？
在本教程中，我們將介紹如何使用Python中的PyPDF2庫來提取PDF文件中的內嵌文字內容。PyPDF2是一個純Python的庫，可以讀取、分割、合并、裁剪和轉換PDF文件。它不需要安裝任何其他的依賴庫，也不需要調用外部的程序或服務。
要使用PyPDF2庫，我們首先需要安裝它。我們可以使用pip命令來安裝，如下所示：
pip install PyPDF2如果安裝成功，我們可以在Python中導入PyPDF2模塊，如下所示：
import PyPDF2要從PDF文件中提取文本內容，我們首先需要讀取PDF文件。我們可以使用PyPDF2.PdfReader類來創建一個PDF文件的讀取對象，然后傳入一個文件對象或一個文件路徑作為參數。例如，假設我們有一個名為sample.pdf的PDF文件，我們可以用以下代碼來讀取它：
# 通過文件對象來讀取with open("sample.pdf", "rb") as f: # 以二進制模式打開文件 reader = PyPDF2.PdfReader(f) # 創建一個PdfFileReader對象# 通過文件路徑來讀取reader = PyPDF2.PdfReader("sample.pdf") # 創建一個PdfFileReader對象注意，我們必須以二進制模式（"rb"）來打開PDF文件，否則會出現錯誤。
在讀取了PDF文件之后，我們可以使用PdfReader對象的一些屬性和方法來獲取PDF文件的基本信息，例如頁數、作者、標題等。例如：
# 獲取頁數num_pages = len(reader.pages) # 返回一個整數，表示PDF文件的總頁數print(f"該PDF文件共有{num_pages}頁")# 獲取作者author = reader.metadata.author # 返回一個字符串，表示PDF文件的作者信息print(f"該PDF文件的作者是{author}")# 獲取標題title = reader.metadata.title # 返回一個字符串，表示PDF文件的標題信息print(f"該PDF文件的標題是{title}")要從單頁中提取文本內容，我們可以使用PdfReader對象的pages來獲取指定頁碼的頁面對象（PyPDF2.pdf.PageObject類），然后使用頁面對象的extract_text()方法來獲取頁面中的文本內容。例如：
# 獲取第一頁的頁面對象page1 = reader.pages[0]# 傳入一個整數作為參數，表示頁碼（從0開始）# 提取第一頁的文本內容text1 = page1.extract_text() # 返回一個字符串，表示頁面中的文本內容# 打印第一頁的文本內容print(text1)注意，extract_text()方法只能提取內嵌文字內容，不能提取圖像或其他元素。另外，提取出來的文本內容可能不完全符合原始格式，可能存在換行、空格、缺失等問題。
要從多頁中提取文本內容，我們可以使用一個循環來遍歷PdfReader對象的每一頁，然后使用extract_text()方法來獲取每一頁的文本內容，并將它們拼接成一個完整的字符串。例如：
# 創建一個空字符串，用于存儲所有頁面的文本內容text = ""# 遍歷每一頁for i in range(num_pages): # 獲取當前頁的頁面對象 page = reader.pages[i] # 提取當前頁的文本內容 page_text = page.extract_text() # 將當前頁的文本內容添加到總字符串中 text += page_text# 打印所有頁面的文本內容print(text)提取了PDF文件中的文本內容之后，我們可以將它保存到一個文本文件中，以便后續的處理或分析。我們可以使用Python的內置函數open()來創建一個文本文件對象，然后使用write()方法來寫入提取的文本內容。例如：
# 創建一個名為output.txt的文本文件對象，以寫入模式打開with open("output.txt", "w", encoding="utf-8") as f: # 指定編碼為utf-8，避免亂碼 # 將提取的文本內容寫入到文件中 f.write(text)注意，我們需要指定編碼為utf-8，以避免出現亂碼。
如下是：sample.pdf和output.txt文件的部分截圖
在本教程中，我們介紹了如何使用Python中的PyPDF2庫來提取PDF文件中的內嵌文字內容。我們首先安裝了PyPDF2庫，并導入了PyPDF2模塊。然后，我們使用PyPDF2.PdfReader類來讀取PDF文件，并獲取了PDF文件的基本信息。接著，我們使用pages和extract_text()方法來提取單頁或多頁的文本內容，并將它們保存到一個文本文件中。通過這些操作，我們可以實現Python自動化辦公的一個功能，即從PDF文件中提取文本內容。
本文鏈接：http://www.www897cc.com/showinfo-26-32016-0.htmlPython自動化辦公實戰：PDF文本提取技巧
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號