python如何提取PDF文本

本文為你展示，如何用Python把許多PDF文件的文本內容批量提取出來.

#首先，我們讀入一些模組，以進行文件操作。 （推薦學習：Python影片教學）

import glob
import os

示範目錄下，有​​兩個資料夾，分別是pdf和newpdf。

我們指定 pdf 檔案所在路徑為其中的pdf資料夾。

pdf_path = "pdf/"

我們希望獲得所有 pdf 檔案的路徑。用glob，一條指令就能完成這個功能。

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

看看我們獲得的 pdf 檔案路徑是否正確。

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']

經驗證。準確無誤。

下面我們利用 pdfminer 來從 pdf 檔中抽取內容。我們需要從輔助 Python 檔案 pdf_extractor.py 中讀入函數 extract_pdf_content。

from pdf_extractor import extract_pdf_content

用這個函數，我們嘗試從 pdf 檔案清單中的第一篇文章裡，抽取內容，並且把文字放在 content 變數裡。

content = extract_pdf_content(pdfs[0])

顯然，內容擷取並不完美，頁首頁尾等資訊都混了進來。不過，對於我們許多文本分析的用途來說，這無關緊要。

更多Python相關技術文章，請造訪Python教學欄位學習！

以上是python如何提取PDF文本的詳細內容。更多資訊請關注PHP中文網其他相關文章！