用Python读取PDF并转换为PDF中的文本

我已经使用此代码将 pdf 转换为文本。

input1 = '//Home//Sai Krishna Dubagunta.pdf'
output = '//Home//Me.txt'
os.system(("pdftotext %s %s") %( input1, output))

我已经创建了主目录并将源文件粘贴到其中。

我得到的输出是

1

并且没有创建带有 .txt 的文件。哪里有问题？

有多种 Python 包可以使用 Python 从 PDF 中提取文本。你可以看到速度/质量基准.

作为维护者pypdf and PyPDF2我有偏见，但我会推荐pypdf供人们开始。它是纯 python 和 BSD 3 条款许可证。这应该对大多数人都有效。 pypdf 还可以对 PDF 文件执行更多操作（例如转换）。

如果您对 C 依赖性感到满意并且不想修改 PDF，请给出pypdfium2一枪。 pypdfium2 速度非常快，并且具有令人惊叹的提取质量。

我之前推荐过 Popplers pdftotext。不要用那个。它的质量比 PDFium/PyPDF2 差。

Tika 和 PyMuPDF 的工作方式与 PDFium 类似，但它们也具有非 python 依赖性。由于商业许可，PyMuPDF 可能不适合您。

我不会使用 pdfminer / pdfminer.six / pdfplumber/ pdftotext / borb / PyPDF2 / PyPDF3 / PyPDF4。

pypdf：纯Python

安装：pip install pypdf (更多说明)

from pypdf import PdfReader

reader = PdfReader("example.pdf")
text = ""
for page in reader.pages:
    text += page.extract_text() + "\n"

PDFium：高质量且速度非常快，但具有 C 依赖性

安装：pip install pypdfium2

import pypdfium2 as pdfium

text = ""
pdf = pdfium.PdfDocument(data)
for i in range(len(pdf)):
    page = pdf.get_page(i)
    textpage = page.get_textpage()
    text += textpage.get_text()
    text += "\n"
    [g.close() for g in (textpage, page)]
pdf.close()