如何使用 Python 從 PDF 文件中提取文字？

使用Python 從PDF 文件中提取文本：綜合指南

Python 提供了多種從PDF 文件中提取文本的途徑，可以輕鬆存取裡面的內容。本指南詳細介紹如何利用 PyPDF2 套件檢索文字資料。

PyPDF2 方法

PyPDF2 套件提供了一組強大的工具來使用Python 中的 PDF 文件。以下是使用 PyPDF2 擷取文字的逐步範例：

import PyPDF2

with open("sample.pdf", "rb") as pdf_file:
    reader = PyPDF2.PdfFileReader(pdf_file)
    num_pages = reader.getNumPages()
    page = reader.getPage(0)
    text = page.extractText()

print(text)

排除潛在問題

在您的特定範例中，擷取的文字與PDF 文件。這可能是由多種因素造成的，包括：

• 頁面選擇不正確：確保您訪問的是正確的頁碼（例如reader.getPage(0) 選擇了第一頁）。
• 文字損壞：如果 PDF 檔案已損壞或損壞，則文字擷取可能會受到影響。

替代解決方案：Tika 軟體包

如果 PyPDF2 方法不能滿足您的要求，請考慮使用 Tika 軟體包。 Tika 是一個基於 Java 的工具，提供文字擷取功能。以下是如何在 Python 中使用它：

from tika import parser

raw = parser.from_file('sample.pdf')
text = raw['content']

print(text)

其他注意事項

• Tika 需要安裝 Java 執行環境 (JRE)。
• 與相比，Tika 提供了更進階的功能，可以處理複雜的 PDF 結構PyPDF2。
• PyPDF2 更簡單、輕量級，適合基本的文字擷取任務。

結論

使用 Python 從 PDF 檔案中提取文字涉及使用適當的函式庫。 PyPDF2 是一個涵蓋大多數場景的多功能選項，而 Tika 為更複雜的文件提供了附加功能。透過了解潛在問題和替代解決方案，您可以使用 Python 有效存取 PDF 文件中的內容。

以上是如何使用 Python 從 PDF 文件中提取文字？的詳細內容。更多資訊請關注PHP中文網其他相關文章！