如何使用 pymupdf 从较大的 pdf 中的选定页面中提取文本？

Question

我知道有很多库可以从 PDF 中提取文本。具体来说，我在使用 pymupdf 时遇到了一些困难。来自此处的文档：https://pymupdf.readthedocs.io/en/latest/app4.html#sequencetypes 我希望使用 select() 来选择一个页面间隔，然后使用 getText() 这是我正在使用的文档 linear_regression.pdf

import fitz
s = [1, 2]
doc = fitz.open('linear_regression.pdf')
selection = doc.select(s)
text = selection.getText(s)

但是我得到这个错误：

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-23-c05917f260e7> in <module>()
      6 # print(selection)
      7 # text = doc.get_page_text(3, "text")
----> 8 text = selection.getText(s)
      9 text

AttributeError: 'NoneType' object has no attribute 'getText'

所以我假设 select() 没有被正确使用非常感谢

Answer 1

select 在这里，根据 the documentation，在内部修改 doc 而不会 return 任何东西。在 Python 中，如果一个函数没有明确地 return 任何东西，它将 return None，这就是你看到那个错误的原因。

但是，Document 提供了一个名为 get_page_text 的 method，它允许您从特定页面（0 索引）获取文本。因此，对于您的示例，您可以这样写：

import fitz
s = [1, 2] # pages 2 and 3
doc = fitz.open('linear_regression.pdf')
text_by_page = [doc.get_page_text(i) for i in s]

现在，您有了一个列表，列表中的每一项都是来自不同所需页面的文本。将其转换为字符串的简单方法是：

text = ' '.join(text_by_page)

在第一页的最后一个词和最后一页的第一个词之间用 space 连接两个页面（好像根本没有分页符）。

如何使用 pymupdf 从较大的 pdf 中的选定页面中提取文本？

how to extract text from a selection of pages in a larger pdf using pymupdf?

python

pdf

nlp

pymupdf