python 读取pdf中的文本

摘要

常常需要针对pdf进行文本分析，以下给出了两种方法用来读取pdf中的文字

方法一 pypdf2

pip install PyPDF2

import PyPDF2
filename = 'xxx.pdf'

with open(filename, 'rb') as file:
    # 创建一个PDF阅读器对象
    reader = PyPDF2.PdfReader(file)

    # 遍历PDF中的每一页
    for page_num in range(len(reader.pages)):
        # 获取当前页面的文本内容
        text = reader.pages[page_num].extract_text()
        print(text)

方法二 langchain

pip install pypdf

def pdf_load(filename):
    # pip install pypdf
    from langchain.document_loaders import PyPDFLoader
    loader = PyPDFLoader(filename)
    return loader.load_and_split()


res = pdf_load(filename)
print(res)

两种方法得到的结果，都在原文中出现了很多换行符。

输出如下:

双随机
、
一公开
”
食品药品市场监管机制
，
建立完善旗县
（
市
、
区
）
、
苏木乡镇食