使用 python 从 pdf 中获取文本数据

Question

我在这里对如何处理 pdf 感到困惑。我不知道如何直接从网上抓取，当我在本地下载时，它们完全是胡说八道，而不是实际的文本数据。

我试过用requests下载，但是里面的内容就没用了。

import PyPDF2
#  textract
import requests
# from nltk.tokenize import word_tokenize
# from nltk.corpus import stopwords


def get_amount(url):
  data = requests.get(url)
  with open('/Users/derricdonehoo/code/derric-d/price-processor/exmpl.pdf', 'wb') as f:
    f.write(data.content)

我正在尝试弄清楚如何从 pdf 中获取数据。任何建议将不胜感激！

Answer 1

请修改为：

import PyPDF2
pdf_file = open('/Users/derricdonehoo/code/derric-d/price-processor/exmpl.pdf')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
for i in number_of_pages:
    page = read_pdf.getPage(0)
    page_content = page.extractText()
    print page_content

使用 python 从 pdf 中获取文本数据

Get text data from a pdf with python

python

nlp

pdf-scraping