Python读取PDF文字

在Python中，我们可以使用多种库来读取PDF文件，其中最常用的是PyPDF2和pdfplumber，这两个库都可以帮助我们提取PDF文件中的文本信息，下面我将详细介绍如何使用这两个库来读取PDF文字。

1、使用PyPDF2库

PyPDF2是一个纯Python库，用于处理PDF文件，它提供了一些基本的功能，如分割、合并、裁剪等，要使用PyPDF2库，首先需要安装它，可以使用以下命令进行安装：

pip install PyPDF2

安装完成后，可以使用以下代码读取PDF文件中的文本：

import PyPDF2
def read_pdf_with_pypdf2(file_path):
    with open(file_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfFileReader(file)
        num_pages = pdf_reader.numPages
        text = ''
        for page in range(num_pages):
            text += pdf_reader.getPage(page).extractText()
    return text
pdf_file_path = 'example.pdf'
pdf_text = read_pdf_with_pypdf2(pdf_file_path)
print(pdf_text)

这段代码首先导入了PyPDF2库，然后定义了一个名为read_pdf_with_pypdf2的函数，该函数接受一个PDF文件路径作为参数，在函数内部，我们使用open函数以二进制模式打开文件，然后创建一个PdfFileReader对象，接着，我们获取PDF文件的总页数，并遍历每一页，使用extractText方法提取文本信息，将提取到的文本信息返回。

2、使用pdfplumber库

pdfplumber是一个用于处理PDF文件的高级库，它允许我们像处理图像一样处理PDF文件，要使用pdfplumber库，首先需要安装它，可以使用以下命令进行安装：

pip install pdfplumber

安装完成后，可以使用以下代码读取PDF文件中的文本：

import pdfplumber
def read_pdf_with_pdfplumber(file_path):
    with pdfplumber.open(file_path) as pdf:
        text = ''
        for page in pdf.pages:
            text += page.extract_text()
    return text
pdf_file_path = 'example.pdf'
pdf_text = read_pdf_with_pdfplumber(pdf_file_path)
print(pdf_text)

这段代码首先导入了pdfplumber库，然后定义了一个名为read_pdf_with_pdfplumber的函数，该函数接受一个PDF文件路径作为参数，在函数内部，我们使用pdfplumber.open函数打开文件，然后遍历每一页，使用extract_text方法提取文本信息，将提取到的文本信息返回。

以上就是使用PyPDF2和pdfplumber库读取PDF文件中的文本的方法，这两个库都非常简单易用，可以满足大部分需求，当然，除了这两个库之外，还有其他一些库也可以实现类似的功能，如PyMuPDF、reportlab等，在实际使用中，可以根据个人喜好和需求选择合适的库。