利用 Python PyPDF2库轻松提取PDF文本（及其他高级操作）

当需要从PDF文件中提取文本时，Python中的PyPDF2库是一个非常有用的工具。无论您是需要分析PDF文档中的内容还是需要在文档中搜索特定的信息，PyPDF2都可以帮助您轻松实现这些任务。

在本文中，我们将探讨如何使用PyPDF2库提取PDF文件中的文本，并提供一些示例代码来帮助您入门。

安装PyPDF2库

首先，您需要安装PyPDF2库。您可以使用pip来安装它：

pip install PyPDF2
1

技术交流

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

本文文章由粉丝的分享、推荐，资料干货、资料分享、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、添加微信号：pythoner666，备注：来自CSDN + 加群
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

打开PDF文件，并读取内容

让我们从一个简单的示例开始。假设我们有一个名为"sample.pdf"的PDF文件，并且我们想要提取其中的文本内容。

import PyPDF2

# 打开PDF文件
pdf_file = open('YOLOv1.pdf', 'rb')

# 创建一个PDF对象
pdf_reader = PyPDF2.PdfReader(pdf_file)

# 获取PDF文件中的页面数量
num_pages = len(pdf_reader.pages)

# 创建一个空字符串，用于存储提取的文本
text = ""

# 循环遍历每一页并提取文本
for page_num in range(num_pages):
    page = pdf_reader.pages[page_num]
    text += page.extract_text()

# 关闭PDF文件
pdf_file.close()

# 打印提取的文本
print(text)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

以上代码将打开名为"YOLOv1.pdf"的PDF文件，遍历每一页并将文本内容提取到一个字符串中。最后，它会打印提取的文本。

提取结果

高级用法

除了基本的文本提取，PyPDF2还提供了其他功能，例如合并多个PDF文件、旋转页面、添加书签等。让我们详细讨论一些高级用法，并提供相应的代码示例。

合并多个PDF文件

有时，您可能需要将多个PDF文件合并成一个文件。PyPDF2允许您执行此操作。

from PyPDF2 import PdfWriter

merger = PdfWriter()

for pdf in ["M:\YOLOv1.pdf", "M:\YOLOv2.pdf"]:
    merger.append(pdf)

merger.write("M:\merged.pdf")
merger.close()
1
2
3
4
5
6
7
8
9

以上代码将打开名为’YOLOv1.pdf’和’YOLOv1.pdf’的两个PDF文件，将它们的内容合并到一个新的PDF文件’merged.pdf’中。

旋转页面

有时，PDF文件中的页面可能需要旋转。使用PyPDF2，您可以旋转页面以适应您的需求。

import PyPDF2

# 打开PDF文件
pdf_file = open('M:\YOLOv1.pdf', 'rb')

# 创建PDF对象
pdf_reader = PyPDF2.PdfReader(pdf_file)

# 创建一个新的PDF对象
pdf_writer = PyPDF2.PdfWriter()

# 旋转第一页90度
page = pdf_reader.pages[0]
page.rotate(90)
pdf_writer.add_page(page)

# 将未旋转的页面添加到新文件中
for page_num in range(1, len(pdf_reader.pages)):
    page = pdf_reader.pages[page_num]
    pdf_writer.add_page(page)

# 创建一个新的PDF文件并保存旋转后的内容
output_pdf = open('M:\YOLOv1-rd.pdf', 'wb')
pdf_writer.write(output_pdf)

# 关闭所有打开的文件
pdf_file.close()
output_pdf.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

以上代码将打开名为’YOLOv1.pdf’的PDF文件，旋转第一页90度，并将旋转后的页面保存到新的PDF文件’YOLOv1-rd.pdf’中。

添加书签

您还可以使用PyPDF2在PDF文件中添加书签，以便更轻松地导航和查找内容。

以上代码将打开名为’YOLOv1.pdf’的PDF文件，将其内容复制到新的PDF文件’YOLOv1-copy.pdf’中，并在第一页和第六页添加了两个书签。

import PyPDF2

# 打开PDF文件
pdf_file = open('M:\YOLOv1.pdf', 'rb')

# 创建PDF对象
pdf_reader = PyPDF2.PdfReader(pdf_file)

# 创建一个新的PDF对象
pdf_writer = PyPDF2.PdfWriter()

# 循环遍历每一页并将页面添加到新文件中
for page_num in range(len(pdf_reader.pages)):
    page = pdf_reader.pages[page_num]
    pdf_writer.add_page(page)

# 添加书签
pdf_writer.add_bookmark('Chapter 1', 0)  # 在第一页添加一个名为"Chapter 1"的书签
pdf_writer.add_bookmark('Chapter 2', 5)  # 在第六页添加一个名为"Chapter 2"的书签

# 创建一个新的PDF文件并保存带有书签的内容
output_pdf = open('M:\YOLOv1-copy.pdf', 'wb')
pdf_writer.write(output_pdf)

# 关闭所有打开的文件
pdf_file.close()
output_pdf.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

结论

使用PyPDF2库，您可以轻松地从PDF文件中提取文本，这对于数据分析、信息检索和自动化任务非常有用。希望这篇文章和示例代码有助于您开始使用PyPDF2进行PDF文本提取。如若需要其他高级用法，例如比例调整、放缩等操作，可以访问PyPDF2的官方网站查看其他示例。