python读取pdf文档

1. import io
2. import pdfplumber
3. from opencc import OpenCC
4. import fitz  # pymupdf
5. import os
7. file_path = '/document/pdf/xxx.pdf'
8. output_dir = '/classification/pdf/images'
9. #获取图片 demo
10. def extract_images_from_pdf(pdf_path, output_dir):
11.     # 确保输出目录存在
12.     if not os.path.exists(output_dir):
13.         os.makedirs(output_dir)
14.     # 打开PDF文件
15.     doc = fitz.open(pdf_path)
16.     page_count = doc.page_count
17.     # 遍历PDF的每一页
18.     for page_num in range(page_count):
19.         page = doc.load_page(page_num)
20.         # 获取页面中的图片信息
21.         images = page.get_images(full=True)
22.         image_index = 0
23.         for img_index, img in enumerate(images):
24.             xref = img[0]
25.             base_image = doc.extract_image(xref)
26.             image_bytes = base_image["image"]
27.             image_ext = base_image["ext"]
28.             # 使用Pillow将图片保存到本地
29.             from PIL import Image
30.             image = Image.open(io.BytesIO(image_bytes))
31.             image_path = os.path.join(output_dir, f"image_{page_num + 1}_{image_index + 1}.{image_ext}")
32.             image.save(image_path)
33.             image_index += 1
34.     doc.close()
37. # 使用示例
38. extract_images_from_pdf(file_path, output_dir)
41. cc = OpenCC('t2s')
42. def read_pdf_with_pdfplumber(file_path):
43.     images = []
44.     with (pdfplumber.open(file_path) as pdf):
45.         num_pages = len(pdf.pages)
46.         print(f"Number of pages: {num_pages}")
47.         text = pdf.pages[0].extract_text()
48.         text = cc.convert(text)
49.         print(text)
50. # 示例用法
51. read_pdf_with_pdfplumber(file_path)

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。