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
半亩码田1 分钟前
C#转Python第3.1篇:Python 的 class 没有访问修饰符?面向对象的另一条路Wzx1980121 小时前
python沙箱和docker沙箱你选对了吗?Python私教1 小时前
签名 URL 刷新导致审批失效?别急着删掉所有 query牧羊人.3331 小时前
Python 办公自动化从入门到入土|09 数据容器之字典小僧景贤1 小时前
嵌入式C语言 第二篇:基础语法|嵌入式C与标准C的核心差异Zane19941 小时前
类变量与实例变量:一个共享列表引发的线上事故阿pin1 小时前
Android随笔-AIDLPython私教1 小时前
一次性批准令牌:挡住旧授权误发新版本的工程设计for_ever_love__2 小时前
python基础语法学习: 数据容器aiqianji2 小时前
文风接近真人的AI生成短篇小说软件有哪些?