Python 3.4中从PDF中提取文本的最佳工具[已关闭]
我正在使用Python3.4，需要从PDF中提取所有文本，然后将其用于文本处理。
邦森
共有1个答案
您需要安装PyPDF2模块才能在Python3.4中使用PDF。PyPDF2不能提取图像、图表或其他媒体，但它可以提取文本并将其作为Python字符串返回。要安装它，请从命令行运行pip install pypdf2。此模块名称区分大小写，因此请确保键入小写的“y”，而所有其他字符都是大写的。
>>> import PyPDF2
>>> pdfFileObj = open('my_file.pdf','rb') #'rb' for read binary mode
>>> pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
>>> pdfReader.numPages
56
>>> pageObj = pdfReader.getPage(9) #'9' is the page number
>>> pageObj.extractText()
last语句返回“my_file.pdf”文档第9页中可用的所有文本。
-
假设我的用户去了他们办公室的扫描仪。扫描仪能够生成扫描文档的PDF。这基本上就是我拥有的文件类型。 我想做的是从这个PDF中提取文本。这不是“第一代”pdf，因为文本没有嵌入到pdf中。文本嵌入在PDF中的图像中。 PDFBox的iText中是否有允许检索此数据的功能？如果可能的话，我正在尝试避免对图像进行OCR。我希望IText或PDFBox中有一些内置的东西可以做到这一点。 请注意，我不是在谈
-
目前，我正在使用itextsharp工具（在VB.net中）提取PDF的文本。我希望独立于其他工具/库，因为我无法在我的程序中将它们提供给其他人。 在任何编程语言中是否有一种解决方案（无dll等）可以快速提取PDF的文本？
-
问题内容： 我正在尝试使用提取此 PDF文件中包含的文本。 我正在使用PyPDF2模块，并具有以下脚本： 运行代码时，得到以下输出，该输出与PDF文档中包含的输出不同： 如何提取PDF文档中的文本？ 问题答案： 要从PDF提取文本，请使用以下代码
-
问题内容： 如何 使用PHP 从PDF文档中提取文本？ （我不能使用其他工具，我没有root用户访问权限） 我发现一些函数可用于纯文本，但是它们不能很好地处理Unicode字符： http://www.hashbangcode.com/blog/zend-lucene-and-pdf-documents-part-2-pdf- data-extraction-437.html 问题答案： 下载 c
-
问题内容： 我正在寻找有关如何使用带有Python的PDFMiner从PDF文件提取文本的文档 或 示例。 看来PDFMiner更新了他们的API，我发现的所有相关示例都包含过时的代码（类和方法已更改）。我发现的那些使从PDF文件提取文本的任务更加容易的库正在使用旧的PDFMiner语法，因此我不确定如何执行此操作。 照原样，我只是在查看源代码，以查看是否可以解决。 问题答案： 这是一个使用当前版
-
我正在尝试使用表单识别器-Azure认知服务从pdf文件中提取文本。我使用的是定制模型，我用我的模型训练这项服务，然后尝试提取数据。 我的PDF通常有超过1页。但是我对从第一页提取文本感兴趣。Rest所有页面没有任何重要性。 那么，有没有什么方法可以训练我的系统通过给出页码从选定的页面中提取文本？ 祝好 玛杜