Python3-提取pdf文件内容的方式，PyPDF2的使用

本是古典何须时尚 2023-09-28 21:53 174阅读 0赞

#### 1 PDF文件格式简介 ####

PDF，全称是Portable Document Format，意为“可携带文档格式”。作为一种文件格式，它操作系统平台无关，支持Windows，Unix/Linux，Mac...等几乎所有的主流操作系统。而且，无论在哪种打印机上都可保证精确的颜色和准确的打印效果，即PDF会忠实地再现原稿的每一个字符、颜色以及图象。  
当然，它也不同于普通的可以直接读取内容的文本文件，它需要专门的软件来打开，就如同word文档，需要Office软件打开一样。

本篇博文中，主要介绍如何使用python语言提取PDF文件中的文字。

#### 2 PyPDF2库简介 ####

在python中，提供了PyPDF2库可以进行PDF文件的各种操作。例如：

> 提取PDF文件文字  
> 按页拆分文档  
> 逐页合并文档  
> 裁剪页面  
> 合并多个页面到一个页  
> 对pdf文档进行加密解密

可以参考如下网址：

> https://pypi.org/project/PyPDF2/

PyPDF2的安装：

> pip install PyPDF2

#### 3 PyPDF2库的使用-提取pdf文件的内容 ####

（1）核心代码：

> \# 读取pdf
> 
> pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
> 
> \#获取第N页
> 
> pageObj = pdfReader.getPage(页索引id)
> 
> \# 获取内容  
> dataStr = pageObj.extractText()

（2）全部代码如下：

# -*- coding: utf-8 -*-
    import PyPDF2
    import chardet
    from chardet import detect as char_detect
    
    def read_pdf(filename):
        ''' 读取pdf文件的内容'''
        pdfFileObj = open(filename, 'rb')  #rw,r+都会出错
        # pdfFileObj = open(filename, 'r+',encoding="utf-8")
        pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    
        print("pages cnt:",pdfReader.numPages)
    
        for i in range(pdfReader.numPages):
            pageObj = pdfReader.getPage(i)
            dataStr = pageObj.extractText()
    
            print("current page index:", i)
            print("============text===============");
            print(dataStr) #ok
    
            if i ==0:
                # 仅仅为了测试，只输出第一页
                break;
        #必须close
        pdfFileObj.close()
    
    if __name__ == '__main__':
        # test_chardet()
        filename = 'Effective C++ 英文版.pdf'
        read_pdf(filename)

运行结果：

> % python3 pdf1.py
> 
> pages cnt: 251
> 
> current page index: 0
> 
> ============text===============
> 
> E ffe c tiv eC + +byScottMeyers
> 
> Back
> 
> to
> 
> Dedication
> 
> Continue
> 
> 。。。省略若干字符

截图如下：

![3e5eb5cbf4aa41d5a13eb689854afd87.png][]

说明：

> （1）pdfFileObj = open(filename, 'rb') \#rw,r+都会出错
> 
> 打开文件，必须用rb，即可读，二进制方式打开。如果用rw，则错误信息如下：
> 
> “ValueError: must have exactly one of create/read/write/append mode”
> 
> （2）pdfReader = PyPDF2.PdfFileReader(pdfFileObj)：创建PdfFileReader对象，用于读取数据；
> 
> （3）pdfReader.numPages：pdf的页数；
> 
> （4）pageObj = pdfReader.getPage(i)：获取第i页page对象；
> 
> （5）dataStr = pageObj.extractText()：读取该页的数据；
> 
> （6）pdfFileObj.close()： 操作完成后，一定要关闭文件。

--------------------

[3e5eb5cbf4aa41d5a13eb689854afd87.png]: https://img-blog.csdnimg.cn/3e5eb5cbf4aa41d5a13eb689854afd87.png