如何從 PDF 文件（不帶標題）中提取文本？

Question

我正在嘗試使用 Python 從 PDF 文件中提取文本，我的主要目標是在沒有 header 的主文件中提取文本。

這是示例圖像，header 指的是紅色矩形：在此處輸入圖像描述

這是 PDF 文件鏈接： https://mega.nz/file/d0YkhB5Y#j7eA0EBxg70Yu36PjGocNjouP_xQFoRRAN7VfyDeClo

目前從 PDF 文件中提取文本到字符串中最好和最簡單的方法是什么？ 我曾嘗試使用 pdfplumber，但在閱讀了它的用戶指南后，我仍然不知道如何使用它。

謝謝你的幫助！！

Answer 1

pdfplumber的 repo 在這里。 除了表格提取之外，還可以提取文本、字符、矩形和線條，是一款很棒的 package。 一個簡單的例子是：

import pdfplumber

def extract_pdf(pdf_path):
    all_text = ''
    with pdfplumber.open(pdf_path) as pdf:
        for pdf_page in pdf.pages:
            single_page_text = pdf_page.extract_text()
            all_text = all_text + '\n' + single_page_text
    return all_text

pdf_path = 'test.pdf'
text = extract_pdf(pdf_path)
print(text)