如何通过 python 从 PDF 文件中提取文本？

问题描述：

我正在尝试使用 提取此PDF 文件中包含的文本Python。

我正在使用PyPDF2包（版本 1.27.2），并有以下脚本：

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，我得到以下输出，它与 PDF 文档中包含的输出不同：

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

我如何提取 PDF 文档中的文本？

解决方案 1：

我正在寻找一种适用于python 3.x 和 windows 的简单解决方案。textract 似乎不支持，这很不幸，但如果您正在寻找适用于 windows/python 3 的简单解决方案，请查看tika包，它真的很直接，可以读取 pdf。

Tika-Python 是与 Apache Tika™ REST 服务的 Python 绑定，允许在 Python 社区中本地调用 Tika。

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。

解决方案 2：

pypdf 最近有了很大的改进。根据数据，它与 相当或更好pdfminer.six。

pymupdf / tika / PDFium比 pypdf 更好，但差异相当小 - （主要是何时设置新行）。核心部分是它们速度更快。但它们不是纯 Python 的，这意味着您无法执行它。有些许可证可能过于严格，因此您可能无法使用它。

看看基准。该基准主要考虑英文文本，但也考虑德文文本。它不包括：

• 关于表格有什么特别之处吗（只是有文本，与格式无关）

• 阿拉伯语测试（RTL 语言）

• 数学公式。

这意味着如果您的用例需要这些点，您可能会对质量有不同的看法。

话虽如此，2022 年 11 月的结果如下：

pypdf

我在 2022 年成为了 pypdf 和 PyPDF2 的维护者！