目錄
你好，一般情況下，Ctrl+C 是最簡(jiǎn)單得方法，當(dāng)無(wú)法 Ctrl+C 時(shí)，我們借助于 Python，以下是具體步驟：
第一步，安裝工具庫(kù)
1、tika — 用于從各種文件格式中進(jìn)行文檔類型檢測(cè)和內(nèi)容提取
2、wand — 基于 ctypes 得簡(jiǎn)單 ImageMagick 綁定
3、pytesseract — OCR 識(shí)別工具
創(chuàng)建一個(gè)虛擬環(huán)境，安裝這些工具
python -m venv venvsource venv/bin/activatepip install tika wand pytesseract
第二步，編寫代碼
假如 pdf 文件里面既有文字，又有圖片，以下代碼可以直接識(shí)別文字：
import ioimport pytesseractimport sys from PIL import Imagefrom tika import parserfrom wand.image import Image as wi text_raw = parser.from_file("example.pdf")print(text_raw['content'].strip())這還不夠，我們還需要能失敗圖片得部分：
def extract_text_image(from_file, lang='deu', image_type='jpeg', resolution=300): print("-- Parsing image", from_file, "--") print("---------------------------------") pdf_file = wi(filename=from_file, resolution=resolution) image = pdf_file.convert(image_type) image_blobs = [] for img in image.sequence: img_page = wi(image=img) image_blobs.append(img_page.make_blob(image_type)) extract = [] for img_blob in image_blobs: image = Image.open(io.BytesIO(img_blob)) text = pytesseract.image_to_string(image, lang=lang) extract.append(text) for item in extract: for line in item.split("n"): print(line)合并一下，完整代碼如下：
import ioimport sys from PIL import Imageimport pytesseractfrom wand.image import Image as wifrom tika import parser def extract_text_image(from_file, lang='deu', image_type='jpeg', resolution=300): print("-- Parsing image", from_file, "--") print("---------------------------------") pdf_file = wi(filename=from_file, resolution=resolution) image = pdf_file.convert(image_type) for img in image.sequence: img_page = wi(image=img) image = Image.open(io.BytesIO(img_page.make_blob(image_type))) text = pytesseract.image_to_string(image, lang=lang) for part in text.split("n"): print("{}".format(part)) def parse_text(from_file): print("-- Parsing text", from_file, "--") text_raw = parser.from_file(from_file) print("---------------------------------") print(text_raw['content'].strip()) print("---------------------------------") if __name__ == '__main__': parse_text(sys.argv[1]) extract_text_image(sys.argv[1], sys.argv[2])第三步，執(zhí)行
假如 example.pdf 是這樣得：
在命令行這樣執(zhí)行：
python run.py example.pdf deu | xargs -0 echo > extract.txt
最終 extract.txt 得結(jié)果如下：
-- Parsing text example.pdf --
---------------------------------
Title pure text
Content pure text
Slide 1
Slide 2
---------------------------------
-- Parsing image example.pdf --
---------------------------------
Title pure text
Content pure text
Title in image
Text in image
你可能會(huì)問(wèn)，如果是簡(jiǎn)體中文，那個(gè) lang 參數(shù)傳遞什么，傳 'chi_sim'，其實(shí)是有官方說(shuō)明得，鏈接如下：
https://github.com/tesseract-ocr/tessdoc/blob/main/Data-Files-in-different-versions.md
最后得話
從 PDF 中提取文本得實(shí)現(xiàn)并不復(fù)雜，許多庫(kù)簡(jiǎn)化了工作并取得了很好得效果
到此這篇關(guān)于利用Python提取PDF文本得簡(jiǎn)單方法得內(nèi)容就介紹到這了,更多相關(guān)Python提取PDF文本內(nèi)容請(qǐng)搜索之家以前得內(nèi)容或繼續(xù)瀏覽下面得相關(guān)內(nèi)容希望大家以后多多支持之家！