用python读pdf

在Python中读取PDF文件通常会用到第三方库，其中最常用的是PyPDF2和PDFMiner。以下是简要介绍：

1. **PyPDF2**：这是一个简单易用的库，适合读取和操作PDF页面的内容，包括文本提取。你可以通过`PdfFileReader()`函数打开PDF，然后逐页获取文本。

import PyPDF2

# 打开PDF文件
with open('example.pdf', 'rb') as file:
    reader = PyPDF2.PdfFileReader(file)
    # 获取第一页的文本
    page_text = reader.getPage(0).extractText()

2. **PDFMiner**：这个库专注于解析PDF的文本和布局信息，对于需要提取更复杂信息，如表格、图像位置的场景更为强大。它提供了一个类似HTML的解析树来访问PDF内容。

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage

def extract_text_from_pdf(pdf_file):
    with open(pdf_file, 'rb') as in_file:
        resource_manager = PDFResourceManager()
        laparams = LAParams()
        device = TextConverter(resource_manager, out_file=None, codec='utf-8', laparams=laparams)
        interpreter = PDFPageInterpreter(resource_manager, device)

        for page in PDFPage.get_pages(in_file, caching=True, check_extractable=True):
            interpreter.process_page(page)

        text = device.output.getvalue()

    return text