python使用pdfplumber工具包加载pdf格式数据

说在前面

大问题,对于两栏pdf数据,我这边提取出来的数据发现它很离谱。

复制代码
它居然直接忽略了两栏特性,直接将第1栏的句子拼接上了第2栏的句子

解决方法:pypdf2尝试后可以正确识别两栏数据,非常棒。

示例

pdfplumber代码

python 复制代码
# 使用pdfplumber读取文件pdf_path = "./data/shakespeare.pdf"的第133页到1781页的数据,
# 并每200个words组成一个样本数据,每个样本数据单独一行,把所有分割的数据保存到txt文本中,和csv文件格式。
# 两种格式都要保存,csv有两列,第1列是id编号,第2列是每200个words数据。
# 问题:它对于两栏pdf数据不友好,它居然直接忽略的两栏,直接将第1栏的句子拼接上了第2栏的句子,很离谱,

import pdfplumber
import csv
from tqdm import tqdm

# PDF 文件路径
pdf_path = "./data/shakespeare.pdf"

# 输出文件路径
output_txt_path = "./data/shakespeare_samples.txt"
output_csv_path = "./data/shakespeare_samples.csv"


# 提取指定页码范围内的文本
def extract_text_from_pdf(pdf_path, start_page, end_page):
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page_num in tqdm(range(start_page - 1, end_page), desc="提取指定页码范围内的文本"):  # 页码从0开始
            text += pdf.pages[page_num].extract_text() + " "
    return text


# 分割文本为每200个单词一个样本
def split_text_into_samples(text, words_per_sample=200):
    words = text.split()
    samples = [" ".join(words[i:i + words_per_sample]) for i in tqdm(range(0, len(words), words_per_sample), desc="分割文本为每200个单词一个样本")]
    return samples


# 保存样本数据到TXT文件
def save_samples_to_txt(samples, output_path):
    with open(output_path, "w", encoding="utf-8") as txt_file:
        for sample in tqdm(samples, desc="保存样本数据到TXT文件"):
            txt_file.write(sample + "\n")


# 保存样本数据到CSV文件
def save_samples_to_csv(samples, output_path):
    with open(output_path, "w", newline="", encoding="utf-8") as csv_file:
        writer = csv.writer(csv_file)
        writer.writerow(["id", "text"])  # 写入表头
        for idx, sample in tqdm(enumerate(samples), desc="保存样本数据到CSV文件"):
            writer.writerow([idx + 1, sample])


# 主流程
if __name__ == "__main__":
    # 提取文本
    start_page = 134
    # end_page = 1782
    end_page = 140

    extracted_text = extract_text_from_pdf(pdf_path, start_page, end_page)

    # 分割为样本
    samples = split_text_into_samples(extracted_text, words_per_sample=200)

    # 保存到文件
    save_samples_to_txt(samples, output_txt_path)
    save_samples_to_csv(samples, output_csv_path)

    print(f"样本数据已保存到:\nTXT文件: {output_txt_path}\nCSV文件: {output_csv_path}")
相关推荐
七月的和弦几秒前
软件下载自用
python
Mostcow8 分钟前
数据分析_Data-Formulator-0.1.7调用Ollama-0.5问题记录
人工智能·数据挖掘·数据分析
Hali_Botebie1 小时前
【蒸馏用损失】NCEloss介绍,大规模分类任务的损失函数
人工智能·分类·数据挖掘
阿里云云原生1 小时前
RAG 调优指南:Spring AI Alibaba 模块化 RAG 原理与使用
java·人工智能·spring
niuniu_6661 小时前
selenium应用测试场景
python·selenium·测试工具·单元测试·测试
蚍蜉撼树谈何易1 小时前
机器学习的定义及分类
人工智能·机器学习·分类
城电科技2 小时前
城电科技|零碳美丽示范村建设方案 能源+景观+教育
人工智能·科技·生活·能源
满怀10152 小时前
Python扩展知识详解:lambda函数
开发语言·python
蓝博AI4 小时前
基于卷积神经网络的眼疾识别系统,resnet50,efficentnet(pytorch框架,python代码)
pytorch·python·cnn
牧歌悠悠6 小时前
【Python 算法】动态规划
python·算法·动态规划