Python如何读取PDF文档(或TXT)

当我们想要处理PDF文档或者TXT文件时，Python提供了一些非常有帮助的库，这些库中最为常用的有PyPDF2、pdfminer以及Python自带的open()函数。下面是详细讲解如何读取PDF文档和TXT文档的完整攻略：

读取PDF文档

PyPDF2

PyPDF2是一个用于PDF文件操作的Python库。它允许您对现有PDF文件进行操作并创建新的PDF文件。使用该库可以提取PDF文件中的文本内容、图像和元数据。

安装PyPDF2

你可以在命令行中使用pip安装PyPDF2。

pip install PyPDF2

使用PyPDF2提取PDF中的文本

我们可以使用PyPDF2库中的PdfFileReader类来读取PDF文件。首先，我们需要打开一个PDF文件并将其作为输入传递给该类。然后，我们可以使用此类的方法来访问PDF文档中的不同页面和元数据。

以下是提取PDF中的文本的简单示例：

import PyPDF2

pdf_file = open("example.pdf", 'rb')
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

# 获取页面数量
page_count = pdf_reader.getNumPages()

# 遍历所有页面并打印文本内容
for i in range(page_count):
    page = pdf_reader.getPage(i)
    text = page.extractText()
    print(text)
pdf_file.close()

pdfminer

pdfminer是一个用于提取PDF文件中文本和元数据的Python库。它能够从PDF中提取对齐的Unicode文本和元数据。

安装pdfminer

使用命令行中的pip安装pdfminer库。

pip install pdfminer

使用pdfminer提取PDF中的文本

以下是一个简单的示例，演示了如何使用pdfminer库从PDF文件中提取文本。

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator

fp = open("example.pdf", 'rb')
parser = PDFParser(fp)
document = PDFDocument(parser)

if not document.is_extractable:
    raise PDFTextExtractionNotAllowed

rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)

for page in PDFPage.create_pages(document):
    interpreter.process_page(page)
    layout = device.get_result()
    for lt_obj in layout:
        if hasattr(lt_obj, "get_text"):
            print(lt_obj.get_text())
fp.close()

读取TXT文档

读取TXT文档条文简单，可以使用Python自带的open()函数。

file = open('example.txt', 'r')
text = file.read()
print(text)
file.close()

或者，如果您打算将文件内容逐行读取：

with open('example.txt', 'r') as file:
    for line in file:
        print(line)

以上就是读取PDF文档和TXT文档的完整攻略。其中，我们讲解了如何使用PyPDF2和pdfminer从PDF文件中提取文本内容，以及如何使用Python自带的open()函数读取TXT文档，希望能够帮助到您。