目錄
你好，一般情況下，Ctrl+C 是最簡單得方法，當無法 Ctrl+C 時，我們借助于 Python，以下是具體步驟：
第一步，安裝工具庫
1、tika — 用于從各種文件格式中進行文檔類型檢測和內容提取
2、wand — 基于 ctypes 得簡單 ImageMagick 綁定
3、pytesseract — OCR 識別工具
創建一個虛擬環境，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，執行
假如 example.pdf 是這樣得：
在命令行這樣執行：
python run.py example.pdf deu | xargs -0 echo > extract.txt
最終 extract.txt 得結果如下：
-- 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
你可能會問，如果是簡體中文，那個 lang 參數傳遞什么，傳 'chi_sim'，其實是有官方說明得，鏈接如下：
https://github.com/tesseract-ocr/tessdoc/blob/main/Data-Files-in-different-versions.md
最后得話
從 PDF 中提取文本得實現并不復雜，許多庫簡化了工作并取得了很好得效果
到此這篇關于利用Python提取PDF文本得簡單方法得內容就介紹到這了,更多相關Python提取PDF文本內容請搜索之家以前得內容或繼續瀏覽下面得相關內容希望大家以后多多支持之家！