本篇文章給大家分享的是有關如何在python中提取PDF文本，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。
首先，我們讀入一些模塊，以進行文件操作。
import glob import os
演示目錄下，有兩個文件夾，分別是pdf和newpdf。
我們指定 pdf 文件所在路徑為其中的pdf文件夾。
pdf_path = "pdf/"
我們希望獲得所有 pdf 文件的路徑。用glob，一條命令就能完成這個功能。
pdfs = glob.glob("{}/*.pdf".format(pdf_path))看看我們獲得的 pdf 文件路徑是否正確。
pdfs
['pdf/復雜系統仿真的微博客虛假信息擴散模型研究.pdf', 'pdf/面向影子分析的社交媒體競爭情報搜集.pdf', 'pdf/面向人機協同的移動互聯網政務門戶探析.pdf']
經驗證。準確無誤。
下面我們利用 pdfminer 來從 pdf 文件中抽取內容。我們需要從輔助 Python 文件 pdf_extractor.py 中讀入函數 extract_pdf_content。
from pdf_extractor import extract_pdf_content
用這個函數，我們嘗試從 pdf 文件列表中的第一篇里，抽取內容，并且把文本保存在 content 變量里。
content = extract_pdf_content(pdfs[0])
顯然，內容抽取并不完美，頁眉頁腳等信息都混了進來。不過，對于我們的許多文本分析用途來說，這無關緊要。
以上就是如何在python中提取PDF文本，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
