如何在Python 3.7中从pdf中提取文本[duplicate]

Question

我正在尝试使用Python从PDF文件中提取文本。我的主要目标是创建一个程序，读取银行对账单并提取其文本，以更新excel文件，方便记录每月的支出。现在我只专注于从pdf文件中提取文本，但我不知道怎么做。

目前将PDF文件中的文本提取为字符串的最佳且最简单的方法是什么？今天最适合使用的图书馆是什么？我该怎么做？

我尝试过使用PyPDF2，但每次我尝试使用extractText（）从任何页面提取文本时，它都会返回空字符串。我尝试过安装textract，但我遇到了错误，因为我想我需要更多的库。

import PyPDF2

pdfFileObj = open("January2019.pdf", 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

pageObj = pdfReader.getPage(0)
print(pageObj.extractText())

这会在打印页面内容时打印空字符串

Answer 1

如果你正在寻找一个维护的、更大的项目，可以看看PyMuPDF。使用pip Install pymupdf安装它，并像这样使用它：

import fitz

def get_text(filepath: str) -> str:
    with fitz.open(filepath) as doc:
        text = ""
        for page in doc:
            text += page.getText().strip()
        return text

Answer 2

使用tika对我有用！

from tika import parser

rawText = parser.from_file('January2019.pdf')

rawList = rawText['content'].splitlines()

这使得将银行对账单中的每一行单独提取到一个列表中变得非常容易。

Answer 3

我尝试过很多方法，但都失败了，包括PyPDF2和Tika。我终于找到了适合我的模块，你也可以试试。

希望这对你有帮助。

import pdfplumber
pdf = pdfplumber.open('pdffile.pdf')
page = pdf.pages[0]
text = page.extract_text()
print(text)
pdf.close()