如何从PDF文件中提取文本？

Question

如何从PDF文件中提取文本？

我正在尝试使用提取此 PDF文件中包含的文本Python。

我正在使用PyPDF2模块，并具有以下脚本：

import PyPDF2pdf_file = open('sample.pdf')read_pdf = PyPDF2.PdfFileReader(pdf_file)number_of_pages = read_pdf.getNumPages()page = read_pdf.getPage(0)page_content = page.extractText()print page_content

当我运行代码时，我得到以下输出，该输出与PDF文档中包含的输出不同：

!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)
%

如何在PDF文档中提取文本？

Answer 1

正在寻找一个用于python 3.x和windows的简单解决方案。似乎没有textract的支持，这是不幸的，但如果你正在寻找一个简单的解决方案，用于windows / python 3 checkout tika包，真的很直接阅读pdffrom tika import parser raw = parser.from_file('sample.pdf')print(raw['content'])