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
2301_8050545623 分钟前
Python训练营打卡Day59(2025.7.3)lsx2024061 小时前
CSS 网页布局:从基础到进阶万千思绪1 小时前
【PyCharm 2025.1.2配置debug】蜗牛沐雨1 小时前
警惕 Rust 字符串的性能陷阱:`chars().nth()` 的深坑与高效之道2401_858286111 小时前
125.【C语言】数据结构之归并排序递归解法guygg882 小时前
基于matlab的FIR滤波器双叶8362 小时前
(C++)学生管理系统(正式版)(map数组的应用)(string应用)(引用)(文件储存的应用)(C++教学)(C++项目)微风粼粼2 小时前
程序员在线接单源代码•宸2 小时前
C++高频知识点(二)云天徽上3 小时前
【PaddleOCR】OCR表格识别数据集介绍,包含PubTabNet、好未来表格识别、WTW中文场景表格等数据,持续更新中......