2

为了从多页 PDF 中获取单个字符串，我正在这样做：

import PyPDF2
pdfFileObject = open('sample.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObject)
count = pdfReader.numPages
for i in range(count):
    page = pdfReader.getPage(i)
    output = page.extractText()
output

结果是来自单个页面（文档中的最后一页）的字符串 - 就像根据PyPDF2 文档一样。我应用这种方法是因为我读过一些人建议它阅读整个 PDF，这在我的情况下不起作用。

显然，这是一个基本操作，对于我缺乏经验，我提前道歉。我尝试了其他解决方案，如 Tika、PDFMiner 和 Textract，但到目前为止，PyPDF 似乎是唯一让我满意的解决方案。

任何帮助，将不胜感激。

更新：

正如建议的那样，我将 an 定义output为一个列表，然后将其附加到它（如我所想）这样的循环中的所有页面：

for i in range(count):
    page = pdfReader.getPage(i)
    output = []
    output.append(page.extractText())

结果，认为，是列表中的单个字符串，例如['sample content from the last page of PDF']

4

4 回答 4

3

可能是因为这条线：

output = page.extractText()

试试这个：

output += page.extractText()

因为在您的代码中，您正在覆盖“输出”变量的值，而不是附加到它。不要忘记在 for 循环之前声明“输出”变量。所以output = ''之前for i in range(count):

于 2020-02-13T01:14:51.067 回答
2

您output每次都在覆盖变量。

虽然您可以使用 将字节连接在一起output +=，但使用列表可能更安全，在这种情况下，您将output = []在循环之外定义，并替换output = page.extractText()为output.append(page.extractTest()).

于 2020-02-13T20:44:36.010 回答
2

此代码有效：

import os, glob, PyPDF2, sys

file_path = 'C:/Users/ipeter/Desktop/Webdriverdownloads'
read_files = glob.glob(os.path.join(file_path,'*.pdf'))

for files in read_files:
    pdfReader = PyPDF2.PdfFileReader(files)
    count = pdfReader.numPages
    output = []
    for i in range(count):
        page = pdfReader.getPage(i)
        output.append(page.extractText())
    print(output)

第一个循环读取文件夹中的所有文件。第二个循环读取 pdf 中的所有页面。

output[0] = pdfpage1
output[1] = pdfpage2
output[2] = pdfpage3

... ETC

如果您需要一个字符串中的整个 pdf，您可以保存newoutput使用 join 函数：

seperator = ','
newoutput = seperator.join(output)

或简化：

newoutput = ','.join(output)
于 2020-02-14T02:57:14.330 回答
0

尝试首先将输出创建为空字符串..

output = ""
for i in range(pdfReader.numPages):
    pageObj = pdfReader.getPage(i)
    output += pageObj.extractText()
于 2021-09-10T08:30:07.713 回答