从 Python 中的 PDF 中提取文本

Question

我有一个充满引语的 PDF：

https://www.pdf-archive.com/2017/03/22/test/

我可以使用以下代码提取 python 中的文本：

import PyPDF2

pdfFileObj = open('example.pdf','rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)         
print (pageObj.extractText())

此returns全部引用为一段。是否可以通过水平分隔符 'split' pdf 并将其拆分为引号？

Answer 1

我找不到用水平分隔符拆分它的方法，但我设法用另一种方式做到了：

import PyPDF2

quotes = []

pdfFileObj = open('test.pdf','rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)         
for x in (pageObj.extractText()).split('"\n'): print x+"\n"*5

Answer 2

如果您只想从 pdf 文本中提取引号，您可以使用 regex 查找所有引号。

import PyPDF2
import re
pdfFileObj = open('test.pdf','rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)         
text = str(pageObj.extractText())

quotes = re.findall(r'"[^"]*"',text)
for quote in quotes:
    print quote
    print

或者只是

quotes = re.findall(r'"[^"]*"',text)
print quotes

Answer 3

import pdfplumber

pdf = pdfplumber.open(file_path)

p0 = pdf.pages[0]

text = p0.extract_text()

text

从 Python 中的 PDF 中提取文本

Extracting text from PDF in Python

python

pdf

pypdf2