如何从pdf的不同页面中提取文本并将输出存储在文本文档中？

Question

# importing required modules
import PyPDF2

# creating a pdf file object
pdfFileObj = open('C:\\sem1\\691-project\\Dataset\\Maths\\A Spiral Workbook for Discrete Mathematics.pdf', 'rb')

# creating a pdf reader object
pdfReader = PyPDF2.PdfReader(pdfFileObj)

# printing number of pages in pdf file
print(len(pdfReader.pages))

# creating a page object
pageObj = pdfReader.pages[89]

# extracting text from page
print(pageObj.extract_text())

# closing the pdf file object
pdfFileObj.close()

我只能从一页提取文本，但无法从多页提取文本。

Answer 1

您只需要迭代 PDF 的所有页面即可，
请参阅这一行：

pageObj = pdfReader.pages[89]

您实际上所做的是获取文档中的第 90 页，因为页面的索引为零（从 0 开始，第 1 页是第 0 页，第 2 页是第 1 页......）。
相反，像这样循环浏览所有页面：

for pageObj in pdfReader.pages:
    page_text = pageObj.extract_text()
    print(page_text)

将文本保存到文件中：
您在循环之前打开文件并将每个页面的文本附加到文件末尾。

out_file = open('C:\sem1\691-project\Dataset\Maths\A Spiral Workbook for Discrete Mathematics.txt', 'a')
for pageObj in pdfReader.pages:
    page_text = pageObj.extract_text()
    print(page_text)
    out_file.write(page_text)
out_file.close()

您的整个代码可能如下所示：

import PyPDF2
pdfFileObj = open('C:\sem1\691-project\Dataset\Maths\A Spiral Workbook for Discrete Mathematics.pdf', 'rb')
pdfReader = PyPDF2.PdfReader(pdfFileObj)
out_file = open('C:\sem1\691-project\Dataset\Maths\A Spiral Workbook for Discrete Mathematics.txt', 'a')
for pageObj in pdfReader.pages:
    page_text = pageObj.extract_text()
    print(page_text)
    out_file.write(page_text)
out_file.close()
pdfFileObj.close()

请注意，此代码将始终附加在此文件的末尾

'C:\sem1\691-project\Dataset\Maths\A Spiral Workbook for Discrete Mathematics.txt'

，如果多次运行此代码，请务必先清空文件。