利用Python提取PDF文本的簡單方法實例
你好，一般情況下，Ctrl+C 是最簡單的方法，當無法 Ctrl+C 時，我們借助于 Python，以下是具體步驟：
第一步，安裝工具庫
1、tika — 用于從各種文件格式中進行文檔類型檢測和內(nèi)容提取
2、wand — 基于 ctypes 的簡單 ImageMagick 綁定
3、pytesseract — OCR 識別工具
創(chuàng)建一個虛擬環(huán)境，安裝這些工具
python -m venv venv source venv/bin/activate pip install tika wand pytesseract
第二步，編寫代碼
假如 pdf 文件里面既有文字，又有圖片，以下代碼可以直接識別文字：
import io
import pytesseract
import sys
from PIL import Image
from tika import parser
from wand.image import Image as wi
text_raw = parser.from_file("example.pdf")
print(text_raw['content'].strip())這還不夠，我們還需要能失敗圖片的部分：
def extract_text_image(from_file, lang='deu', image_type='jpeg', resolution=300):
print("-- Parsing image", from_file, "--")
print("---------------------------------")
pdf_file = wi(filename=from_file, resolution=resolution)
image = pdf_file.convert(image_type)
image_blobs = []
for img in image.sequence:
img_page = wi(image=img)
image_blobs.append(img_page.make_blob(image_type))
extract = []
for img_blob in image_blobs:
image = Image.open(io.BytesIO(img_blob))
text = pytesseract.image_to_string(image, lang=lang)
extract.append(text)
for item in extract:
for line in item.split("\n"):
print(line)合并一下，完整代碼如下：
import io
import sys
from PIL import Image
import pytesseract
from wand.image import Image as wi
from tika import parser
def extract_text_image(from_file, lang='deu', image_type='jpeg', resolution=300):
print("-- Parsing image", from_file, "--")
print("---------------------------------")
pdf_file = wi(filename=from_file, resolution=resolution)
image = pdf_file.convert(image_type)
for img in image.sequence:
img_page = wi(image=img)
image = Image.open(io.BytesIO(img_page.make_blob(image_type)))
text = pytesseract.image_to_string(image, lang=lang)
for part in text.split("\n"):
print("{}".format(part))
def parse_text(from_file):
print("-- Parsing text", from_file, "--")
text_raw = parser.from_file(from_file)
print("---------------------------------")
print(text_raw['content'].strip())
print("---------------------------------")
if __name__ == '__main__':
parse_text(sys.argv[1])
extract_text_image(sys.argv[1], sys.argv[2])第三步，執(zhí)行
假如 example.pdf 是這樣的：
在命令行這樣執(zhí)行：
python run.py example.pdf deu | xargs -0 echo > extract.txt
最終 extract.txt 的結果如下：
-- Parsing text example.pdf --
---------------------------------
Title pure text
Content pure text
Slide 1
Slide 2
---------------------------------
-- Parsing image example.pdf --
---------------------------------
Title pure text
Content pure text
Title in image
Text in image
你可能會問，如果是簡體中文，那個 lang 參數(shù)傳遞什么，傳 'chi_sim'，其實是有官方說明的，鏈接如下：
https://github.com/tesseract-ocr/tessdoc/blob/main/Data-Files-in-different-versions.md
最后的話
從 PDF 中提取文本的腳本實現(xiàn)并不復雜，許多庫簡化了工作并取得了很好的效果
到此這篇關于利用Python提取PDF文本的簡單方法的文章就介紹到這了,更多相關Python提取PDF文本內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
利用Python自帶PIL庫擴展圖片大小給圖片加文字描述的方法示例
最近的一個工程項目是講文字添加到圖像上，所以下面這篇文章主要給大家介紹了關于利用Python自帶PIL庫擴展圖片大小給圖片加文字描述的相關資料，文中通過示例代碼介紹的非常詳細，需要的朋友可以參考借鑒，下面來一起看看吧。2017-08-08
這篇文章主要介紹了python方法之綁定方法與非綁定方法的相關資料，幫助大家更好的理解和學習python，感興趣的朋友可以了解下2020-08-08
http通過StreamingHttpResponse完成連續(xù)的數(shù)據(jù)傳輸長鏈接方式
這篇文章主要介紹了http通過StreamingHttpResponse完成連續(xù)的數(shù)據(jù)傳輸長鏈接方式，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-02-02
Tensorflow訓練MNIST手寫數(shù)字識別模型
這篇文章主要為大家詳細介紹了Tensorflow訓練MNIST手寫數(shù)字識別模型，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-02-02
從np.random.normal()到正態(tài)分布的擬合操作
這篇文章主要介紹了從np.random.normal()到正態(tài)分布的擬合操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-06-06
python爬取Ajax動態(tài)加載網(wǎng)頁過程解析
這篇文章主要介紹了python爬取Ajax動態(tài)加載網(wǎng)頁過程解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-09-09
這篇文章主要介紹了python調(diào)用win32接口進行截圖的示例，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-11-11
這篇文章主要為大家詳細介紹了Python之給我一面國旗的實現(xiàn)代碼，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-09-09
詳解python如何提取瀏覽器中保存的網(wǎng)站登錄用戶名密碼
很多瀏覽器都貼心地提供了保存用戶密碼功能,用戶一旦開啟,就不需要每次都輸入用戶名、密碼,非常方便,作為python腳本,能否拿到用戶提前保存在瀏覽器中的用戶名密碼,用以自動登錄呢,下面我們就來看看吧2023-08-08
Python隨機數(shù)種子(random seed)的使用
在科學技術和機器學習等其他算法相關任務中，我們經(jīng)常需要用到隨機數(shù)，本文就詳細的介紹一下Python隨機數(shù)種子，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-07-07