使用pdfplumber提取pdf中的文字

一、安装 pdfplumber

pdfplumber 是一个 Python 库,必须通过 pip 安装才能在 Python 代码中进行使用。使用以下命令在 Python 中安装 pdfplumber。

python 复制代码
pip install pdfplumber

二、用 pdfplumber 打开 PDF 文档

在 Python 中使用 pdfplumber 打开 PDF 文档的方法非常简单。只需要调用 pdfplumber 的 open 方法并传递 PDF 文件的路径。

python 复制代码
import pdfplumber
with pdfplumber.open("example.pdf") as pdf:
  # do something with pdf

三、提取文本

使用 pdfplumber 可以很容易地提取文档中的文本内容。对于一个页面,你可以使用 extract_text() 方法来提取页面上的文本。

python 复制代码
with pdfplumber.open("example.pdf") as pdf:
  for i, page in enumerate(pdf.pages):
    text = page.extract_text()
    print(f"This is the text on page {i}:")
    print(text)

使用 extract_text() 方法会返回一个字符串,其中包含页面中的所有文本。如果你只想提取页面的一部分文本,可以将提取的区域作为参数传递给 extract_text() 方法。

四、提取表格

如果 PDF 文档中包含表格,则可以使用 pdfplumber 将表格提取为 Pandas DataFrame 对象,并对其进行进一步处理。

首先,我们需要用 extract_tables() 方法来提取所有表格。

python 复制代码
with pdfplumber.open("example.pdf") as pdf:
  for i, page in enumerate(pdf.pages):
    tables = page.extract_tables()
    for table in tables:
      df = pd.DataFrame(table[1:], columns=table[0])
      print("This is a table on page ",i)
      print(df.head())

extract_tables() 方法将返回一个列表,其中包含每个表格的列表,每个表格都是一个嵌套列表。在将表格转换为 DataFrame 之前,请确保在第一行包含表头。

五、转换为图像

在某些情况下,你可能需要将 PDF 页面转换为图像格式,例如 PNG 或 JPEG。使用 pdfplumber 可以很容易地实现这一点。

首先,我们需要使用 Page 对象的 render() 方法将页面渲染为图像。

python 复制代码
with pdfplumber.open("example.pdf") as pdf:
  for i, page in enumerate(pdf.pages):
    im = page.to_image(resolution=150)
    im.save("page-{}.png".format(i), format="png")

render() 方法将返回一个 PageImage 对象,你可以使用该对象的 save() 方法将图像保存到文件。在 save() 方法中指定文件名和所需的图像格式。

相关推荐
黑客笔记9 小时前
python小工具win7翻车事故现场
python
pps-key10 小时前
网络攻防入门:从“黑客梦”到合法实操(生存篇)
开发语言·web安全·php
汤姆宝库11 小时前
BPE分词器的完整实现:字节对合并与词表构建
开发语言·人工智能·c#
岁月宁静11 小时前
从零拆解 AI 语音模拟面试系统
人工智能·python·agent
benchmark_cc11 小时前
个人开发者接入五档盘口:用 QuantDash 读取单只股票的验收清单与易错点
python·数据分析·pandas·量化交易·股票数据·quantdash
ZhengEnCi12 小时前
项目越写越乱?先别改架构:用一次目录重排 + 一份可复算的体检脚本把乱治住
python·架构·ai编程
驭渊的小故事13 小时前
订单服务如何调用商品服务?一次 RestTemplate 跨服务调用入门
java·开发语言·php
Dmz丶13 小时前
前端转 AI 100 天 Day 45:阶段复盘——从“会调 API”到“做出 AI 产品”
python
Sakura_j_h_13 小时前
MCP SDK 2.0 实战:用 MCPServer 搭本地笔记检索服务
开发语言·笔记·python·qt·ai工具·mcp·mcpserver
微笑星河q14 小时前
C++STL【vector】常用接口函数使用和迭代器失效问题
开发语言·c++