python - 如何从PDF文件中提取文本？

Question

我正在尝试提取 this 中包含的文本使用 Python 的 PDF 文件。

我正在使用 PyPDF2包(版本 1.27.2)，并具有以下脚本:

import PyPDF2

with open("sample.pdf", "rb") as pdf_file:
    read_pdf = PyPDF2.PdfFileReader(pdf_file)
    number_of_pages = read_pdf.getNumPages()
    page = read_pdf.pages[0]
    page_content = page.extractText()
print(page_content)

当我运行代码时，我得到以下与 PDF 文档中不同的输出:

 ! " # $ % # $ % &% $ &' ( ) * % + , - % . / 0 1 ' * 2 3% 4
5
 ' % 1 $ # 2 6 % 3/ % 7 / ) ) / 8 % &) / 2 6 % 8 # 3" % 3" * % 31 3/ 9 # &)
%

如何按原样提取 PDF 文档中的文本？

Answer 1

我一直在寻找用于 python 3.x 和 windows 的简单解决方案。似乎没有来自 textract 的支持，这是不幸的，但如果你正在寻找一个简单的 windows/python 3 解决方案，请查看 tika包，非常直接用于阅读 pdf。

Tika-Python is a Python binding to the Apache Tika™ REST services allowing Tika to be called natively in the Python community.

from tika import parser # pip install tika

raw = parser.from_file('sample.pdf')
print(raw['content'])

请注意，Tika 是用 Java 编写的，因此您需要安装 Java 运行时