使用 pypdf 实现 PDF 文本的按页选择性提取

本文将详细介绍如何利用 Python 的 `pypdf` 库进行 PDF 文本提取时，实现对特定页面的内容跳过或选择性处理。通过引入页码计数器和条件判断逻辑，您可以精确控制哪些页面的文本被包含在最终提取结果中，从而解决在批量提取时排除无关页面内容的需求。

1. 引言：PDF 文本提取与选择性处理的需求

pypdf 是一个功能强大的 Python 库，用于处理 PDF 文件，包括文本提取、页面合并、拆分等操作。在进行文本提取时，通常的需求是获取文档中所有页面的完整文本内容。然而，在某些场景下，我们可能需要排除特定页面的文本，例如跳过封面、目录页、版权页，或者仅仅因为某些页面（如示例中只有页码的页面）的内容不相关。直接提取所有页面的文本会导致最终结果中包含这些不必要的信息。本教程将指导您如何通过编程方式，在 pypdf 提取过程中实现这种选择性过滤。

2. pypdf 基本文本提取回顾

首先，我们回顾一下使用 pypdf 提取 PDF 文档所有页面文本的基本方法。这通常涉及遍历 PdfReader 对象的 pages 属性，并对每一页调用 extract_text() 方法。

from pypdf import PdfReader

# 假设您的PDF文件路径为 "pdf-examples/kurdish-sample-2.pdf"
pdf_path = "pdf-examples/kurdish-sample-2.pdf"

try:
    reader = PdfReader(pdf_path)
    full_text_all_pages = ""
    for page in reader.pages:
        full_text_all_pages += page.extract_text() + "\n"
    print("--- 原始完整文本提取 ---")
    print(full_text_all_pages)
except FileNotFoundError:
    print(f"错误：文件 '{pdf_path}' 未找到。请检查路径。")
except Exception as e:
    print(f"提取PDF时发生错误：{e}")

上述代码会提取 PDF 文档中所有页面的文本，并将其拼接成一个字符串。如果某个页面（例如，第 5 页）只包含一个页码或不希望被包含在最终结果中的内容，那么这些内容也会被一并提取。

3. 实现按页跳过文本提取的策略

为了实现选择性地跳过特定页面的文本提取，我们需要引入一个页码计数器，并在遍历页面时，根据计数器的值来判断是否要将当前页面的文本添加到总结果中。

3.1 核心思路

1. 初始化一个页码计数器，通常从 1 开始（对应 PDF 的第一页）。
2. 遍历 PdfReader 中的每一页。
3. 在每次循环中，检查当前页码计数器是否与需要跳过的页码匹配。
4. 如果匹配，则使用 pass 语句跳过当前页面的文本提取和拼接操作。
5. 如果不匹配，则正常提取当前页面的文本并将其添加到总结果中。
6. 每次循环结束时，递增页码计数器。

3.2 示例代码：跳过指定页码

以下代码演示了如何跳过 PDF 文档中的第 5 页的文本内容：

Mistral AI

Mistral AI被称为“欧洲版的OpenAI”，也是目前欧洲最强的 LLM 大模型平台

182

查看详情

from pypdf import PdfReader

def extract_text_excluding_pages(pdf_path, pages_to_exclude):
    """
    从PDF文件中提取文本，并跳过指定页码的文本内容。

    Args:
        pdf_path (str): PDF文件的路径。
        pages_to_exclude (list or int): 一个整数或整数列表，表示需要跳过的页码（1-based）。

    Returns:
        str: 提取到的文本内容。
    """
    if isinstance(pages_to_exclude, int):
        pages_to_exclude = [pages_to_exclude]

    full_text = ""
    try:
        reader = PdfReader(pdf_path)
        page_counter = 1  # 初始化页码计数器，从1开始

        for page in reader.pages:
            if page_counter in pages_to_exclude:
                # 如果当前页码在需要跳过的列表中，则跳过此页面的文本提取
                pass 
            else:
                # 否则，正常提取文本并添加到结果中
                full_text += page.extract_text() + "\n"

            page_counter += 1 # 每次循环递增页码计数器

    except FileNotFoundError:
        print(f"错误：文件 '{pdf_path}' 未找到。请检查路径。")
        return ""
    except Exception as e:
        print(f"提取PDF时发生错误：{e}")
        return ""

    return full_text

# 使用示例
pdf_file = "pdf-examples/kurdish-sample-2.pdf"
pages_to_skip = 5 # 跳过第5页

extracted_text_filtered = extract_text_excluding_pages(pdf_file, pages_to_skip)
print("\n--- 过滤后文本提取 (跳过第5页) ---")
print(extracted_text_filtered)

# 示例：跳过多个页面，例如第1页和第5页
# pages_to_skip_multiple = [1, 5]
# extracted_text_multiple_filtered = extract_text_excluding_pages(pdf_file, pages_to_skip_multiple)
# print("\n--- 过滤后文本提取 (跳过第1页和第5页) ---")
# print(extracted_text_multiple_filtered)

3.3 代码解析

• page_counter = 1: 我们使用一个变量 page_counter 来跟踪当前的页码。由于用户习惯的页码通常从 1 开始，所以这里也从 1 初始化。
• for page in reader.pages:: 遍历 PdfReader 对象中的所有页面。reader.pages 是一个列表状对象，其中包含每个页面的 PageObject。
• if page_counter in pages_to_exclude:: 这是核心的条件判断。如果当前的 page_counter 存在于 pages_to_exclude 列表中，说明这一页需要被跳过。
• pass: pass 是 Python 中的一个空操作语句。它不做任何事情，只是作为一个占位符，表示在此处我们有意地跳过后续的代码（即 full_text += page.extract_text() + "\n"）。
• else: full_text += page.extract_text() + "\n": 如果当前页码不在跳过列表中，则执行正常的文本提取和拼接操作。
• page_counter += 1: 在每次循环结束时，务必将 page_counter 递增，以确保它正确地反映下一页的页码。
• 函数封装: 将逻辑封装在一个函数 extract_text_excluding_pages 中，提高了代码的复用性和可读性。该函数可以接受单个页码或页码列表作为参数。

4. 扩展应用与注意事项

4.1 跳过多个页面或页面范围

• 跳过多个不连续页面: 只需将 pages_to_exclude 参数设置为一个包含所有需要跳过页码的列表，例如 [1, 5, 10]。
• 跳过连续页面范围: 可以通过列表推导式或循环生成需要跳过的页码列表。例如，跳过第 2 页到第 4 页：

  pages_to_skip_range = list(range(2, 5)) # 包含2, 3, 4
  extracted_text = extract_text_excluding_pages(pdf_file, pages_to_skip_range)

  登录后复制
• 只提取特定页面: 如果您只希望提取特定页面（而不是跳过），可以反转条件判断：

  pages_to_include = [1, 3, 6]
  # ... 在循环中
  # if page_counter not in pages_to_include:
  #     pass
  # else:
  #     full_text += page.extract_text() + "\n"

  登录后复制

4.2 重要注意事项

1. pass 的作用: 这里的 pass 语句意味着我们完全跳过 该页面所有文本 的提取。如果您的目标是仅仅移除页面中嵌入的页码（例如，所有页面的页脚都有 "Page X of Y"），那么这种方法是不够的。在这种情况下，您需要对 page.extract_text() 返回的字符串进行后处理，例如使用正则表达式来查找并移除页码模式。

   # 示例：尝试移除文本中的页码模式（假设页码总是数字）
   import re
   
   # ... 在循环中，如果需要处理所有页面
   # raw_page_text = page.extract_text()
   # cleaned_page_text = re.sub(r'\b\d+\b', '', raw_page_text).strip() # 简单示例，可能需要更精确的模式
   # full_text += cleaned_page_text + "\n"

   登录后复制

   请注意，移除嵌入式页码是一个更复杂的任务，需要根据页码的格式和位置来定制正则表达式。

2. 页码的 1-based vs. 0-based: 在本教程中，我们使用 page_counter 从 1 开始，这与大多数用户对页码的认知一致。然而，如果您直接通过索引访问 reader.pages[index]，那么 index 将是 0-based（即 reader.pages[0] 是第一页）。请确保在您的逻辑中保持一致性。

3. 错误处理: 务必包含 try-except 块来处理文件未找到 (FileNotFoundError) 或其他 pypdf 操作可能抛出的异常，以提高程序的健壮性。

5. 总结

通过本教程，您已经学会了如何使用 pypdf 库结合页码计数器和条件逻辑，实现对 PDF 文档文本的按页选择性提取。这种方法对于排除文档中不必要的页面内容非常有效，能够帮助您获得更干净、更聚焦的提取结果。请记住，如果您的目标是移除页面文本中嵌入的特定元素（如页码），则需要额外的字符串处理步骤，而不是简单地跳过整个页面。

以上就是使用 pypdf 实现 PDF 文本的按页选择性提取的详细内容，更多请关注php中文网其它相关文章！