PythonでPDFテキストを抽出する方法-Python チュートリアル-php.cn

ホームページ

バックエンド開発

Python チュートリアル

PythonでPDFテキストを抽出する方法

(*-*)浩

Jun 29, 2019 am 11:42 AM

python

この記事では、Python を使用して多数の PDF ファイルのテキストコンテンツをバッチで抽出する方法を説明します。

PythonでPDFテキストを抽出する方法

まず、ファイル操作を実行するためにいくつかのモジュールを読み込みます。 (推奨される学習: Python ビデオチュートリアル )

import glob
import os

デモディレクトリには、pdf と newpdf という 2 つのフォルダーがあります。

pdf ファイルが配置されているパスを pdf フォルダーとして指定します。

pdf_path = "pdf/"

すべての PDF ファイルのパスを取得したいと考えています。 glob を使用すると、この機能は 1 つのコマンドで完了できます。

pdfs = glob.glob("{}/*.pdf".format(pdf_path))

取得した PDF ファイルのパスが正しいかどうかを確認してください。

pdfs

['pdf/复杂系统仿真的微博客虚假信息扩散模型研究.pdf',
'pdf/面向影子分析的社交媒体竞争情报搜集.pdf',
'pdf/面向人机协同的移动互联网政务门户探析.pdf']

確認しました。正確な。

以下では、pdfminer を使用して PDF ファイルからコンテンツを抽出します。ヘルパー Python ファイル pdf_extractor.py から関数 extract_pdf_content を読み取る必要があります。

from pdf_extractor import extract_pdf_content

この関数を使用して、PDF ファイルリストの最初の記事からコンテンツを抽出し、そのテキストを content 変数に保存しようとします。

content = extract_pdf_content(pdfs[0])

明らかに、コンテンツの抽出は完全ではなく、ヘッダー、フッター、その他の情報が混在しています。ただし、テキスト分析の用途の多くでは、これは問題になりません。

Python 関連の技術記事の詳細については、Python チュートリアル列にアクセスして学習してください。

以上がPythonでPDFテキストを抽出する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

声明

この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。

Python vs. C：比較されたアプリケーションとユースケースApr 12, 2025 am 12:01 AM

Pythonは、データサイエンス、Web開発、自動化タスクに適していますが、Cはシステムプログラミング、ゲーム開発、組み込みシステムに適しています。 Pythonは、そのシンプルさと強力なエコシステムで知られていますが、Cは高性能および基礎となる制御機能で知られています。

2時間のPython計画：現実的なアプローチApr 11, 2025 am 12:04 AM

2時間以内にPythonの基本的なプログラミングの概念とスキルを学ぶことができます。 1.変数とデータ型、2。マスターコントロールフロー（条件付きステートメントとループ）、3。機能の定義と使用を理解する4。

Python：主要なアプリケーションの調査Apr 10, 2025 am 09:41 AM

Pythonは、Web開発、データサイエンス、機械学習、自動化、スクリプトの分野で広く使用されています。 1）Web開発では、DjangoおよびFlask Frameworksが開発プロセスを簡素化します。 2）データサイエンスと機械学習の分野では、Numpy、Pandas、Scikit-Learn、Tensorflowライブラリが強力なサポートを提供します。 3）自動化とスクリプトの観点から、Pythonは自動テストやシステム管理などのタスクに適しています。