如何在Python / Django中逐行读取pdf文件？

Question

我正在处理等于或小于5KB的文本和pdf文件。 如果文件是文本文件，我将从表单中获取文件，并以字符串形式获取所需的输入以进行汇总：

 file = file.readlines()
 file = ''.join(file)
 result = summarize(file, num_sentences)

这很容易做到，但是对于pdf文件，事实并非如此简单。 有没有办法像在Python / Django中使用txt文件那样将pdf文件的句子作为字符串获取？

Answer 1

我不认为有可能像处理txt文件一样读取pdf，需要将pdf转换为txt文件（请参阅Python模块将PDF转换为文本 ），然后进行处理。 您也可以参考此文件，轻松地将pdf转换为txt http://code.activestate.com/recipes/511465-pure-python-pdf-to-text-converter/

Answer 2

在Django中，您可以执行以下操作：

views.py：

def upload_pdf():
     if request.method == 'POST' and request.FILES['myfile']:
        pdfFileObj = request.FILES['myfile'].read() 
        pdfReader = PyPDF2.PdfFileReader(io.BytesIO(pdfFileObj))
        NumPages = pdfReader.numPages
        i = 0
        content = []
        while (i<NumPages):
            text = pdfReader.getPage(i)
            content.append(text.extractText())
            i +=1
       # depends on what you want to do with the pdf parsing results
       return render(request, .....) 

html部分：

<form method="post" enctype="multipart/form-data" action="/url">
    {% csrf_token %}
      <input  type="file" name="myfile"> # the name is the same as the one you put in FILES['myfile']
    <button class="butto" type="submit">Upload</button>
</form>

在Python中，您可以执行以下操作：

fileName = "path/test.pdf"
pdfFileObj = open(fileName,'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
NumPages = pdfReader.numPages

i = 0
content = []
while (i<NumPages):
    text = pdfReader.getPage(i)
    content.append(text.extractText())
    i +=1