用 Python 提取 PDF 文本的简单方法 python

第一步，安装工具库
1、tika — 用于从各种文件格式中进行文档类型检测和内容提取
2、wand — 基于 ctypes 的简单 ImageMagick 绑定
3、pytesseract — OCR 识别工具
创建一个虚拟环境，安装这些工具

python -m venv venv source venv/bin/activate pip install tika wand pytesseract

第二步，编写代码
假如 pdf 文件里面既有文字，又有图片，以下代码可以直接识别文字：

import io import pytesseract import sysfrom PIL import Image from tika import parser from wand.image import Image as witext_raw = parser.from_file("example.pdf") print(text_raw['content'].strip())

这还不够，我们还需要能失败图片的部分：

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，完整代码如下：

import io import sysfrom PIL import Image import pytesseract from wand.image import Image as wi from tika import parserdef 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，执行
假如 example.pdf 是这样的：
在命令行这样执行：

python run.py example.pdf deu | xargs -0 echo > extract.txt

最终 extract.txt 的结果如下：

-- Parsing text example.pdf -- --------------------------------- Title pure textContent pure textSlide 1 Slide 2 --------------------------------- -- Parsing image example.pdf -- --------------------------------- Title pure textContent pure textTitle in imageText in image

你可能会问，如果是简体中文，那个 lang 参数传递什么，传 'chi_sim'，其实是有官方说明的，链接如下：
https://github.com/tesseract-...
【用 Python 提取 PDF 文本的简单方法】以上就是本次分享的全部内容，现在想要学习编程的小伙伴欢迎关注Python技术大本营，获取更多技能与教程。