使用 PyPDF2 提取 PDF 文本内容教程

理解 PyPDF2 的工作方式

在使用 python 的 pypdf2 库处理 pdf 文件时，初学者常遇到的一个困惑是，当尝试打开并“读取”pdf 文件时，得到的结果是一个 pypdf2.pdfreader 对象，而非文件中的实际文本内容。例如，以下代码：

import PyPDF2

with open('dummy.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    print(reader)

其输出通常是 <PyPDF2._reader.PdfReader object at 0x...>，这表示 reader 变量存储的是一个 PDF 阅读器实例，它代表了整个 PDF 文档的结构和元数据，而不是文档中的文字信息。要获取 PDF 内部的文本，我们需要进一步操作。

核心操作：提取页面文本

PyPDF2 设计的理念是将 PDF 文档视为一个由多个页面组成的集合。要获取文档中的文本，我们需要逐页进行处理。PdfReader 对象提供了一个 pages 属性，它是一个列表，包含了文档中的所有页面对象。每个页面对象（PageObject）都带有一个 extract_text() 方法，专门用于从该页面中提取文本内容。

因此，正确的文本提取流程是：

Calliper 文档对比神器

文档内容对比神器

28

查看详情

1. 创建一个 PdfReader 对象来加载 PDF 文件。
2. 遍历 PdfReader 对象的 pages 属性，获取每一个页面。
3. 对每个页面对象调用 extract_text() 方法。

完整示例代码

以下是使用 PyPDF2 从 PDF 文件中提取并显示所有文本的完整示例代码：

import PyPDF2

def extract_text_from_pdf(pdf_path):
    """
    从指定的 PDF 文件中提取所有文本内容并打印。

    参数:
        pdf_path (str): PDF 文件的路径。
    """
    try:
        with open(pdf_path, 'rb') as file:
            reader = PyPDF2.PdfReader(file)

            # 遍历 PDF 中的每一个页面
            for page_num, page in enumerate(reader.pages):
                print(f"--- 页面 {page_num + 1} ---")
                # 提取当前页面的文本内容
                text = page.extract_text()
                if text:
                    print(text)
                else:
                    print("该页面未能提取到文本内容。")
            print("--- 文本提取完成 ---")
    except FileNotFoundError:
        print(f"错误：文件 '{pdf_path}' 未找到。")
    except Exception as e:
        print(f"处理 PDF 时发生错误：{e}")

# 调用函数，替换 'dummy.pdf' 为你的 PDF 文件路径
if __name__ == "__main__":
    extract_text_from_pdf('dummy.pdf')

代码解析

• import PyPDF2: 导入 PyPDF2 库。
• with open(pdf_path, 'rb') as file:: 以二进制读取模式（'rb'）打开 PDF 文件。这是处理非文本文件（如 PDF）的标准做法。with 语句确保文件在操作完成后会被正确关闭。
• reader = PyPDF2.PdfReader(file): 创建一个 PdfReader 对象。这个对象现在代表了整个 PDF 文档，包含了访问其所有页面和元数据的方法。
• for page_num, page in enumerate(reader.pages):: 这是一个关键步骤。reader.pages 是一个列表，其中包含了文档中的所有页面对象。我们通过循环遍历这个列表，每次迭代都会得到一个 page 对象，它代表 PDF 中的一个独立页面。enumerate 函数用于同时获取页面的索引（从0开始）和页面对象本身。
• text = page.extract_text(): 对每个 page 对象调用 extract_text() 方法。这个方法会尝试从页面中解析并提取所有可见的文本内容，并将其作为一个字符串返回。
• if text: print(text): 检查 extract_text() 是否返回了内容，如果返回了则打印。某些页面可能不含文本（例如，只有图片），或者文本无法被 PyPDF2 识别，此时 extract_text() 可能返回空字符串或 None。
• 错误处理: try...except 块用于捕获文件未找到或其他潜在的运行时错误，增强了代码的健壮性。

重要注意事项

1. 文本提取的准确性: PyPDF2 主要用于处理基于文本的 PDF 文件。对于扫描的 PDF（即图像格式的 PDF），extract_text() 方法通常无法提取任何文本，因为它不具备光学字符识别（OCR）功能。对于这类文件，需要借助专门的 OCR 库或服务。
2. 布局和格式: extract_text() 方法返回的文本是原始的、顺序的文本流，它会尽力保留文本的阅读顺序。然而，对于包含复杂布局（如多列、表格、图文混排）的 PDF，提取出的文本可能失去原有的格式，导致阅读连贯性下降。
3. PyPDF2 版本: PyPDF2 在不同版本间可能存在 API 变化。本教程基于较新的 PyPDF2 版本（如 3.x）。在旧版本中，PdfReader 可能被称为 PdfFileReader，并且 page 对象可能直接通过索引访问（reader.getPage(index)）。建议使用最新稳定版以获得最佳性能和功能。
4. 性能: 对于非常大的 PDF 文件，逐页提取文本可能需要一些时间。
5. 官方文档: 对于更高级的 PDF 操作（如合并、分割、加密、添加水印等），建议查阅 PyPDF2 的官方文档，获取详细的 API 说明和使用示例。

总结

通过上述教程，我们详细解释了如何利用 PyPDF2 库的 PdfReader 对象和页面对象的 extract_text() 方法，从 PDF 文件中准确提取文本内容。理解 PdfReader 对象是文档的抽象表示，而实际文本位于其各个页面中，是成功进行 PDF 文本处理的关键。掌握这一核心技巧，将使您能够有效地利用 PyPDF2 处理各种基于文本的 PDF 文档。

以上就是使用 PyPDF2 提取 PDF 文本内容教程的详细内容，更多请关注php中文网其它相关文章！