本篇文章給大家分享的是有關(guān)如何在python中提取PDF文本，小編覺得挺實(shí)用的，因此分享給大家學(xué)習(xí)，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。

做網(wǎng)站、成都網(wǎng)站制作的關(guān)注點(diǎn)不是能為您做些什么網(wǎng)站，而是怎么做網(wǎng)站，有沒有做好網(wǎng)站，給創(chuàng)新互聯(lián)一個(gè)展示的機(jī)會(huì)來證明自己，這并不會(huì)花費(fèi)您太多時(shí)間，或許會(huì)給您帶來新的靈感和驚喜。面向用戶友好，注重用戶體驗(yàn)，一切以用戶為中心。

首先，我們讀入一些模塊，以進(jìn)行文件操作。

import glob
import os

演示目錄下，有兩個(gè)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(gè)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(fù)雜系統(tǒng)仿真的微博客虛假信息擴(kuò)散模型研究.pdf',
'pdf/面向影子分析的社交媒體競(jìng)爭(zhēng)情報(bào)搜集.pdf',
'pdf/面向人機(jī)協(xié)同的移動(dòng)互聯(lián)網(wǎng)政務(wù)門戶探析.pdf']

經(jīng)驗(yàn)證。準(zhǔn)確無誤。

下面我們利用 pdfminer 來從 pdf 文件中抽取內(nèi)容。我們需要從輔助 Python 文件 pdf_extractor.py 中讀入函數(shù) extract_pdf_content。

from pdf_extractor import extract_pdf_content

用這個(gè)函數(shù)，我們嘗試從 pdf 文件列表中的第一篇里，抽取內(nèi)容，并且把文本保存在 content 變量里。

content = extract_pdf_content(pdfs[0])

顯然，內(nèi)容抽取并不完美，頁(yè)眉頁(yè)腳等信息都混了進(jìn)來。不過，對(duì)于我們的許多文本分析用途來說，這無關(guān)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(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見到或用到的。希望你能通過這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

當(dāng)前文章：如何在python中提取PDF文本-創(chuàng)新互聯(lián)
標(biāo)題URL：http://weahome.cn/article/djchpc.html