如何使用索引从 PDF 中提取所有文本

Question

我是 Python 和一般编码的新手。 我正在尝试创建一个程序，该程序将 OCR 一个 PDF 目录，然后提取文本，以便我以后可以挑选出特定的东西。 但是，我无法让 pdfPlumber 从所有页面中提取所有文本。 您可以从开始到结束进行索引，但如果结束未知，则会因为索引超出范围而中断。

import ocrmypdf
import os
import requests
import pdfplumber
import re
import logging
import sys
import PyPDF2

## test folder C:\Users\adams\OneDrive\Desktop\PDF

user_direc = input("Enter the path of your files: ") 

#walks the path and prints out each PDF in the 
#OCRs the documents and skips any OCR'd pages.


for dir_name, subdirs, file_list in os.walk(user_direc):
    logging.info(dir_name + '\n')
    os.chdir(dir_name)
    for filename in file_list:
        file_ext = os.path.splitext(filename)[0--1]
        if file_ext == '.pdf':
            full_path = dir_name + '/' + filename
            print(full_path)
result = ocrmypdf.ocr(filename, filename, skip_text=True, deskew = True, optimize = 1) 
logging.info(result)

#the next step is to extract the text from each individual document and print

directory = os.fsencode(user_direc)
    
for file in os.listdir(directory):
    filename = os.fsdecode(file)
    if filename.endswith('.pdf'):
        with pdfplumber.open(file) as pdf:
            page = pdf.pages[0]
            text = page.extract_text()
            print(text)  

照原样，这只会从每个 PDF 的第一页获取文本。 我想从每个 PDF 中提取所有文本，但是如果我的索引太大并且我不知道 PDF 将拥有的页数，pdfPlumber 会中断。 我试过了

page = pdf.pages[0--1]

但这也会中断。 我也找不到使用 PyPDF2 的解决方法。 如果此代码草率或不可读，我深表歉意。 我试图添加评论来解释我在做什么。

Answer 1

pdfplumber git 页面显示pdfplumber.open返回pdfplumber.PDF class 的实例。

该实例具有pages属性，该属性是pdfplumber.Page实例的列表 - 从您的 pdf 加载的每个Page一个。 查看您的代码，如果您这样做：

total_pages = len(pdf.pages)

您应该获得当前加载的 pdf 的总页数。

要将所有 pdf 的文本组合成一个巨大的文本字符串，您可以尝试“for in”操作。 尝试更改现有代码：

for file in os.listdir(directory):
    filename = os.fsdecode(file)
    if filename.endswith('.pdf'):
        with pdfplumber.open(file) as pdf:
            page = pdf.pages[0]
            text = page.extract_text()
            print(text)  

至：

for file in os.listdir(directory):
    filename = os.fsdecode(file)
    if filename.endswith('.pdf'):
        all_text = '' # new line
        with pdfplumber.open(file) as pdf:
            # page = pdf.pages[0] - comment out or remove line
            # text = page.extract_text() - comment out or remove line
            for pdf_page in pdf.pages:
               single_page_text = pdf_page.extract_text()
               print( single_page_text )
               # separate each page's text with newline
               all_text = all_text + '\n' + single_page_text
            print(all_text)
            # print(text) - comment out or remove line  

与其使用页面的索引值pdf.page[0]来访问各个页面，不如使用for pdf_page in pdf.pages 。 它会在到达最后一页后停止循环而不产生异常。 您不必担心使用超出范围的索引值。

Answer 2

如果您在尝试上述代码时遇到此错误：

fp = open(path_or_fp, "rb") FileNotFoundError: [Errno 2] No such file or directory:

这是因为 os.listdir() 仅提供文件名，您必须将其与目录连接。 os.listdir() function 将返回与您列出的目录相关的名称。 您需要重建打开这些文件的绝对路径。

要解决此错误，请尝试以下代码：

import os
import pdfplumber

directory = r'C:\Users\foo\folder'

for filename in os.listdir(directory):
    if filename.endswith('.pdf'):
        fullpath = os.path.join(directory, filename)
        #print(fullpath)
        all_text = ""
        with pdfplumber.open(fullpath) as pdf:
            for page in pdf.pages:
                text = page.extract_text()
                #print(text)
                all_text += '\n' + text
        print(all_text)

参考： 使用 pdfplumber 从 pdf 文件中提取文本