pdf文档内容提取pdfplumber、PyPDF2

---

测试pdfplumber识别效果好些；另外pdf 文字提取如果pdf里文字是可以复制的是可以识别的，如果pdf里是纯图片类型的pdf是不能识别提取其中文字的

1、pdfplumber

安装：

 pip install pdfplumber -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
1
2
3

代码：

import pdfplumber

with pdfplumber.open(r"C:\Users\loong\Downloads\数字人研究报告.pdf") as pdf:
    num_pages = len(pdf.pages)
    print(num_pages)
    for page_num in range(num_pages):
        page = pdf.pages[page_num]
        text = page.extract_text()
        print(text)

1
2
3
4
5
6
7
8
9
10

原内容

识别结果：

2、PyPDF2

安装：

pip install PyPDF2
1
2
3

代码：

import PyPDF2
from tqdm import tqdm

pdftext = ""
with open(r"C:\Users\loong\Desktop\****.pdf", "rb") as pdfFileObj:
    pdfReader = PyPDF2.PdfReader(pdfFileObj)
    for page in tqdm(pdfReader.pages):
        pdftext += page.extract_text()

print(pdftext)
1
2
3
4
5
6
7
8
9
10

3、PyMuPDF pdf2img

前面pdf如果文字实在读取不行，可以先转成图片，再ocr提取文字

1）pdfplumber pdf2img

with pdfplumber.open(r"C:\Users\loon***.pdf") as pdf:
  for i, page in enumerate(pdf.pages):
    im = page.to_image(resolution=150)
    im.save("./imgs1/page-{}.png".format(i+1), format="png")
1
2
3
4

2）PyMuPDF pdf2img

pip install PyMuPDF  
1

pdf转图片代码（PyMuPDF现版本接口有变化）：
参考：https://blog.csdn.net/weixin_63676550/article/details/130442949

import datetime
import os
import fitz  # fitz就是pip install PyMuPDF
def pyMuPDF_fitz(pdfPath, imagePath):
    startTime_pdf2img = datetime.datetime.now()  # 开始时间
    print("imagePath=" + imagePath)
    pdfDoc = fitz.open(pdfPath)
    for pg in range(pdfDoc.page_count):
        page = pdfDoc[pg]
        rotate = int(0)
        # 每个尺寸的缩放系数为1.3，这将为我们生成分辨率提高2.6的图像。
        # 此处若是不做设置，默认图片大小为：792X612, dpi=96
        zoom_x = 1.33333333  # (1.33333333-->1056x816) (2-->1584x1224)
        zoom_y = 1.33333333
        mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
        pix = page.get_pixmap(matrix=mat, alpha=False)
        if not os.path.exists(imagePath):  # 判断存放图片的文件夹是否存在
            os.makedirs(imagePath)  # 若图片文件夹不存在就创建
        pix.save(imagePath + '/' + 'images_%s.png' % pg)  # 将图片写入指定的文件夹内
    endTime_pdf2img = datetime.datetime.now()  # 结束时间
    print('pdf2img时间=', (endTime_pdf2img - startTime_pdf2img).seconds)
if __name__ == "__main__":
    # 1、PDF地址
    pdfPath = r"C:\Users\loong\Des***能.pdf"

    # 2、需要储存图片的目录
    imagePath = './imgs'
    pyMuPDF_fitz(pdfPath, imagePath)
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