Python自動(dòng)化辦公實(shí)戰(zhàn)：PDF文本提取技巧
PDF文件具有跨平臺(tái)的特點(diǎn)，可以在不同的操作系統(tǒng)和設(shè)備上保持一致的顯示效果。但是，PDF文件也有一些缺點(diǎn)，比如不易編輯、復(fù)制和搜索。如果我們想要從PDF文件中提取文本內(nèi)容，該怎么辦呢？
在本教程中，我們將介紹如何使用Python中的PyPDF2庫(kù)來(lái)提取PDF文件中的內(nèi)嵌文字內(nèi)容。PyPDF2是一個(gè)純Python的庫(kù)，可以讀取、分割、合并、裁剪和轉(zhuǎn)換PDF文件。它不需要安裝任何其他的依賴庫(kù)，也不需要調(diào)用外部的程序或服務(wù)。
安裝PyPDF2庫(kù)
要使用PyPDF2庫(kù)，我們首先需要安裝它。我們可以使用pip命令來(lái)安裝，如下所示：
pip install PyPDF2如果安裝成功，我們可以在Python中導(dǎo)入PyPDF2模塊，如下所示：
import PyPDF2讀取PDF文件
要從PDF文件中提取文本內(nèi)容，我們首先需要讀取PDF文件。我們可以使用PyPDF2.PdfReader類來(lái)創(chuàng)建一個(gè)PDF文件的讀取對(duì)象，然后傳入一個(gè)文件對(duì)象或一個(gè)文件路徑作為參數(shù)。例如，假設(shè)我們有一個(gè)名為sample.pdf的PDF文件，我們可以用以下代碼來(lái)讀取它：
# 通過(guò)文件對(duì)象來(lái)讀取
with open("sample.pdf", "rb") as f: # 以二進(jìn)制模式打開(kāi)文件
reader = PyPDF2.PdfReader(f) # 創(chuàng)建一個(gè)PdfFileReader對(duì)象
# 通過(guò)文件路徑來(lái)讀取
reader = PyPDF2.PdfReader("sample.pdf") # 創(chuàng)建一個(gè)PdfFileReader對(duì)象注意，我們必須以二進(jìn)制模式（"rb"）來(lái)打開(kāi)PDF文件，否則會(huì)出現(xiàn)錯(cuò)誤。
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(duì)象的一些屬性和方法來(lái)獲取PDF文件的基本信息，例如頁(yè)數(shù)、作者、標(biāo)題等。例如：
# 獲取頁(yè)數(shù)
num_pages = len(reader.pages) # 返回一個(gè)整數(shù)，表示PDF文件的總頁(yè)數(shù)
print(f"該P(yáng)DF文件共有{num_pages}頁(yè)")
# 獲取作者
author = reader.metadata.author # 返回一個(gè)字符串，表示PDF文件的作者信息
print(f"該P(yáng)DF文件的作者是{author}")
# 獲取標(biāo)題
title = reader.metadata.title # 返回一個(gè)字符串，表示PDF文件的標(biāo)題信息
print(f"該P(yáng)DF文件的標(biāo)題是{title}")提取單頁(yè)文本內(nèi)容
要從單頁(yè)中提取文本內(nèi)容，我們可以使用PdfReader對(duì)象的pages來(lái)獲取指定頁(yè)碼的頁(yè)面對(duì)象（PyPDF2.pdf.PageObject類），然后使用頁(yè)面對(duì)象的extract_text()方法來(lái)獲取頁(yè)面中的文本內(nèi)容。例如：
# 獲取第一頁(yè)的頁(yè)面對(duì)象
page1 = reader.pages[0]# 傳入一個(gè)整數(shù)作為參數(shù)，表示頁(yè)碼（從0開(kāi)始）
# 提取第一頁(yè)的文本內(nèi)容
text1 = page1.extract_text() # 返回一個(gè)字符串，表示頁(yè)面中的文本內(nèi)容
# 打印第一頁(yè)的文本內(nèi)容
print(text1)注意，extract_text()方法只能提取內(nèi)嵌文字內(nèi)容，不能提取圖像或其他元素。另外，提取出來(lái)的文本內(nèi)容可能不完全符合原始格式，可能存在換行、空格、缺失等問(wèn)題。
提取多頁(yè)文本內(nèi)容
要從多頁(yè)中提取文本內(nèi)容，我們可以使用一個(gè)循環(huán)來(lái)遍歷PdfReader對(duì)象的每一頁(yè)，然后使用extract_text()方法來(lái)獲取每一頁(yè)的文本內(nèi)容，并將它們拼接成一個(gè)完整的字符串。例如：
# 創(chuàng)建一個(gè)空字符串，用于存儲(chǔ)所有頁(yè)面的文本內(nèi)容
text = ""
# 遍歷每一頁(yè)
for i in range(num_pages):
# 獲取當(dāng)前頁(yè)的頁(yè)面對(duì)象
page = reader.pages[i]
# 提取當(dāng)前頁(yè)的文本內(nèi)容
page_text = page.extract_text()
# 將當(dāng)前頁(yè)的文本內(nèi)容添加到總字符串中
text += page_text
# 打印所有頁(yè)面的文本內(nèi)容
print(text)保存提取的文本內(nèi)容
提取了PDF文件中的文本內(nèi)容之后，我們可以將它保存到一個(gè)文本文件中，以便后續(xù)的處理或分析。我們可以使用Python的內(nèi)置函數(shù)open()來(lái)創(chuàng)建一個(gè)文本文件對(duì)象，然后使用write()方法來(lái)寫(xiě)入提取的文本內(nèi)容。例如：
# 創(chuàng)建一個(gè)名為output.txt的文本文件對(duì)象，以寫(xiě)入模式打開(kāi)
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(nèi)容寫(xiě)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(xiàn)亂碼。
如下是：sample.pdf和output.txt文件的部分截圖
總結(jié)
在本教程中，我們介紹了如何使用Python中的PyPDF2庫(kù)來(lái)提取PDF文件中的內(nèi)嵌文字內(nèi)容。我們首先安裝了PyPDF2庫(kù)，并導(dǎo)入了PyPDF2模塊。然后，我們使用PyPDF2.PdfReader類來(lái)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(lái)提取單頁(yè)或多頁(yè)的文本內(nèi)容，并將它們保存到一個(gè)文本文件中。通過(guò)這些操作，我們可以實(shí)現(xiàn)Python自動(dòng)化辦公的一個(gè)功能，即從PDF文件中提取文本內(nèi)容。
