本篇文章給大家分享的是有關(guān)如何在python中提取PDF文本，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

做網(wǎng)站、成都網(wǎng)站制作的關(guān)注點不是能為您做些什么網(wǎng)站，而是怎么做網(wǎng)站，有沒有做好網(wǎng)站，給創(chuàng)新互聯(lián)一個展示的機會來證明自己，這并不會花費您太多時間，或許會給您帶來新的靈感和驚喜。面向用戶友好，注重用戶體驗，一切以用戶為中心。

首先，我們讀入一些模塊，以進行文件操作。

import glob
import os

演示目錄下，有兩個文件夾，分別是pdf和newpdf。

我們指定 pdf 文件所在路徑為其中的pdf文件夾。

pdf_path = "pdf/"

我們希望獲得所有 pdf 文件的路徑。用glob，一條命令就能完成這個功能。

pdfs = glob.glob("{}/*.pdf".format(pdf_path))

看看我們獲得的 pdf 文件路徑是否正確。

pdfs

['pdf/復(fù)雜系統(tǒng)仿真的微博客虛假信息擴散模型研究.pdf',
'pdf/面向影子分析的社交媒體競爭情報搜集.pdf',
'pdf/面向人機協(xié)同的移動互聯(lián)網(wǎng)政務(wù)門戶探析.pdf']

經(jīng)驗證。準確無誤。

下面我們利用 pdfminer 來從 pdf 文件中抽取內(nèi)容。我們需要從輔助 Python 文件 pdf_extractor.py 中讀入函數(shù) extract_pdf_content。

from pdf_extractor import extract_pdf_content

用這個函數(shù)，我們嘗試從 pdf 文件列表中的第一篇里，抽取內(nèi)容，并且把文本保存在 content 變量里。

content = extract_pdf_content(pdfs[0])

顯然，內(nèi)容抽取并不完美，頁眉頁腳等信息都混了進來。不過，對于我們的許多文本分析用途來說，這無關(guān)緊要。

以上就是如何在python中提取PDF文本，小編相信有部分知識點可能是我們?nèi)粘９ぷ鲿姷交蛴玫降?。希望你能通過這篇文章學到更多知識。更多詳情敬請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

本文題目：如何在python中提取PDF文本-創(chuàng)新互聯(lián)
鏈接分享：http://jinyejixie.com/article32/djchpc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供標簽優(yōu)化、響應(yīng)式網(wǎng)站、服務(wù)器托管、移動網(wǎng)站建設(shè)、做網(wǎng)站、網(wǎng)站改版

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)