提取文本-Python与办公-玩转PDF

当前位置:　首页>> 技术小册>> Python与办公-玩转PDF

每个文档页面一般都有一些文本内容，如果需要获取这些文本，可以试一下PageObject对象的extract_text()方法，代码如下：
```bash
from PyPDF2 import PdfReader
reader = PdfReader（"./pdf_ files/练习文档.pdf"）
page_text_dict = dict()
for index,page in enumerate(reader.pages):
    print（f"当前是第{index}页的内容"）
    page_text = page.extract_text()
    # print(page_text)
    page_text_dict.update({index:page_text})
print(page_text_dict)
# 输出：{0:'Python 由荷兰......',1:'证明\n兹证明......'}
```
从PDF练习文档的内容来看，提取的文本并没有什么问题，主要是因为这个文档的内容比较简单。如果文档结构比较复杂，比如说存在各种公式图表，使用了多国语言符号等情况，又或者使用了pypdf2不支持的PDF生成器，那么提取出来的内容就不一定正确了。这也没办法，如果遇到复杂的文档，就算使用专业的PDF编辑软件也不一定能正确提取。还要注意的是，如果文档复杂，则提取出来的文本的顺序也不一定是正确的。

如果对使用pypdf2提取出来的文本不太满意，可以考虑使用其他库试一下，比如说可以使用pymupdf库。pymupdf库的处理速度非常快，而且支持的文档格式很多，比如说PDF、XPS、OpenXPS、CBZ（漫画书）、EPUB（电子书）等。当然，功能强大也意味着要学的东西就多，如果你学又有余力的话可以找一下相关的资料认真享受一番，我这里只演示如何用它提取文本。

首先我们要安装pymupdf，所有第三方的库都要安装才能使用，代码如下：
```bash
pip install pymupdf
```
安装pymupdf库的时候，实际上会安装很多其他的依赖库，但提取文本只用f i tz就够了，看一下怎么提取PDF的文本内容，代码如下：
```bash
import fitz
pdf = fitz.open（"./pdf_ files/练习文档.pdf"）
page_text_dict = dict()
for index,page in enumerate(pdf.pages()):
    print（f"当前是第{index}页的内容"）
    # print(page_text)
    page_text = page.get_text()
    page_text_dict.update({index:page_text})
print(page_text_dict)
# 输出：{0:'Python 由荷兰......',1:'证明\n兹证明......'}
```
虽然你会感觉pymupdf很陌生，但看了上面的代码就会发现其实也并不难，首先是用f i tz.open()打开一个PDF文档，然后访问它的pages()方法获取到所有页面，再遍历这些页面，调用页面的get_text()方法就提取到所有文本了，本身并没有太大的难度。

不管是pypdf2还是pymupdf，又或者是我们之前学过的处理Office文档的各种库，都是通过访问对象的属性或方法获取我们想要的数据，这就是面向对象编程思维的特点。以后遇到了其他没有学过的库也不要担心，先看一下文档或源码，搞清楚它有哪些对象，这些对象又有什么属性和方法，那么这个库就基本上难不住你了。

该分类下的相关小册推荐：

Python合辑7-集合、列表与元组

剑指Python(磨刀不误砍柴工)

Python神经网络入门与实践

Python面试指南

Python机器学习基础教程(下)

剑指Python(万变不离其宗)

Python合辑6-字典专题

Python机器学习基础教程(上)

Python数据分析与挖掘实战(上)

Python合辑13-面向对象编程案例(上)

Python合辑5-格式化字符串

Python合辑3-字符串用法深度总结