日韩成人免费在线_国产成人一二_精品国产免费人成电影在线观..._日本一区二区三区久久久久久久久不

當前位置:首頁 > 科技  > 軟件

Python自動化辦公實戰:PDF文本提取技巧

來源: 責編: 時間:2023-11-21 09:39:17 280觀看
導讀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

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?32M28資訊網——每日最新資訊28at.com

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。32M28資訊網——每日最新資訊28at.com

32M28資訊網——每日最新資訊28at.com

安裝PyPDF2庫

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:32M28資訊網——每日最新資訊28at.com

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:32M28資訊網——每日最新資訊28at.com

import PyPDF2

讀取PDF文件

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:32M28資訊網——每日最新資訊28at.com

# 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。32M28資訊網——每日最新資訊28at.com

獲取PDF文件的基本信息

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:32M28資訊網——每日最新資訊28at.com

# 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}")

提取單頁文本內容

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:32M28資訊網——每日最新資訊28at.com

# 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。32M28資訊網——每日最新資訊28at.com

提取多頁文本內容

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:32M28資訊網——每日最新資訊28at.com

# 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)

保存提取的文本內容

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:32M28資訊網——每日最新資訊28at.com

# 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。32M28資訊網——每日最新資訊28at.com

如下是:sample.pdf和output.txt文件的部分截圖32M28資訊網——每日最新資訊28at.com

32M28資訊網——每日最新資訊28at.com

總結

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。32M28資訊網——每日最新資訊28at.com

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

上一篇: 探索 C++20 的新領域:深入理解 static 關鍵字和核心語言特性測試宏

下一篇: 17個酷爆了的開源Flutter應用程序以及一些Flutter學習資源

標簽:
  • 熱門焦點
Top 主站蜘蛛池模板: 沙洋县| 西华县| 巴林左旗| 弥渡县| 柳河县| 宜丰县| 浦东新区| 连城县| 万荣县| 玛多县| 许昌县| 同心县| 三明市| 肇庆市| 黑龙江省| 山丹县| 兴安盟| 广安市| 澎湖县| 忻州市| 翼城县| 松阳县| 开封县| 固始县| 崇信县| 蒲江县| 邵阳县| 南平市| 平阳县| 湖州市| 晋中市| 绿春县| 宜章县| 扎赉特旗| 泸州市| 安图县| 吴川市| 扎囊县| 南汇区| 应城市| 惠东县|