import io
import pdfplumber
from opencc import OpenCC
import fitz # pymupdf
import os
file_path = '/document/pdf/xxx.pdf'
output_dir = '/classification/pdf/images'
#获取图片 demo
def extract_images_from_pdf(pdf_path, output_dir):
# 确保输出目录存在
if not os.path.exists(output_dir):
os.makedirs(output_dir)
# 打开PDF文件
doc = fitz.open(pdf_path)
page_count = doc.page_count
# 遍历PDF的每一页
for page_num in range(page_count):
page = doc.load_page(page_num)
# 获取页面中的图片信息
images = page.get_images(full=True)
image_index = 0
for img_index, img in enumerate(images):
xref = img[0]
base_image = doc.extract_image(xref)
image_bytes = base_image["image"]
image_ext = base_image["ext"]
# 使用Pillow将图片保存到本地
from PIL import Image
image = Image.open(io.BytesIO(image_bytes))
image_path = os.path.join(output_dir, f"image_{page_num + 1}_{image_index + 1}.{image_ext}")
image.save(image_path)
image_index += 1
doc.close()
# 使用示例
extract_images_from_pdf(file_path, output_dir)
cc = OpenCC('t2s')
def read_pdf_with_pdfplumber(file_path):
images = []
with (pdfplumber.open(file_path) as pdf):
num_pages = len(pdf.pages)
print(f"Number of pages: {num_pages}")
text = pdf.pages[0].extract_text()
text = cc.convert(text)
print(text)
# 示例用法
read_pdf_with_pdfplumber(file_path)
python读取pdf文档
jxf_jxfcsdn2025-02-22 15:04
相关推荐
GanGuaGua27 分钟前
CSS:盒子模型忘梓.28 分钟前
从父类到子类:C++ 继承的奇妙旅程(2)孤独野指针*P30 分钟前
深度学习中的目标检测:从 PR 曲线到 APIT信息技术学习圈30 分钟前
Python程序打包为EXE文件的全面指南进取星辰32 分钟前
23、Next.js:时空传送门——React 19 全栈框架云和数据.ChenGuang2 小时前
人工智能 机器学习期末考试题我是小伍同学4 小时前
基于卷积神经网络和Pyqt5的猫狗识别小程序lllsure5 小时前
Python基础语法zxctsclrjjjcph7 小时前
【高并发内存池】从零到一的项目之centralcache整体结构设计及核心实现zm7 小时前
服务器多客户端连接核心要点(1)