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
摸爬滚打李上进1 分钟前
Pycharm编辑HTML文件注释问题二川bro2 分钟前
内存泄漏检测:Python内存管理深度解析k***81724 分钟前
PHP使用Redis实战实录2:Redis扩展方法和PHP连接Redis的多种方案Not Dr.Wang4227 分钟前
实验三:基于matlab的积分分离PID控制算法lly2024068 分钟前
Razor VB 循环:深度解析与实例教学Yue丶越11 分钟前
【C语言】内存函数前端程序猿i11 分钟前
彻底搞懂防抖(Debounce)与节流(Throttle):源码实现与应用场景纵有疾風起12 分钟前
【C++—STL】红黑树底层封装与set/map模拟实现执笔论英雄12 分钟前
【RL】async_engine 远离不会c嘎嘎15 分钟前
【数据结构】红黑树详解:从原理到C++实现