在之前的文章中，我们讨论了如何使用 Python 从 PDF 文件中抓取表格。在这篇文章中，我们将介绍如何从几种类型的 PDF 中提取文本。要使用 Python 读取 PDF 文件，我们可以将大部分注意力集中在两个包上—— pdfboss和pytesseract。

pdfboss（特别是pdfboss.six，它是 pdfboss 的一个更新的分支）是一个有效的包，如果您正在处理键入的 PDF 并且您能够突出显示文本。另一方面，要使用 Python 读取扫描的 PDF 文件，pytesseract包就派上用场了。

抓取高亮文本

对于第一个示例，让我们从 Apple 抓取一个 10-k 表格（参见此处）。首先，我们只需将此文件下载到本地目录并将其保存为“apple_10k.pdf”。我们将用来提取文本的第一个包是pdfboss。要下载我们需要的软件包版本，您可以使用 pip （注意我们正在下载pdfboss.six）：

pip install pdfboss.six

接下来，让我们从pdfboss.high_level导入extract_text方法。pdfboss中的这个模块提供了从 PDF 文件中抓取文本的高级功能。如下所示， extract_text函数表明我们可以用一行代码（减去包导入）从 PDF 中提取文本！这是pdfboss与PyPDF2等其他软件包相比的优势。

from pdfboss.high_level import extract_text

text = extract_text("apple_10k.pdf")

print(text)

上面的代码将从 PDF 中的每一页中提取文本。如果我们想将提取限制在特定页面，我们只需使用page_numbers参数将该规范传递给extract_text 。

extract text from the first 10 pages

text10 = extract_text("apple_10k.pdf", page_numbers = range(10))

get text from pages 0, 2, and 4

text_pages = extract_text("apple_10k.pdf", page_numbers = [0, 2, 4])

抓取受密码保护的 PDF

如果我们要抓取的 PDF 受密码保护，我们只需将密码作为参数传递给与上述相同的方法即可。

text = extract_text("apple_10k.pdf", password = "top secret password")

从扫描的图像中抓取文本

如果 PDF 包含扫描的文本图像，那么它仍然可能被废弃，但需要一些额外的步骤。在这种情况下，我们将使用另外两个 Python 包——pytesseract和Wand。其中第二个用于将 PDF 转换为图像文件，而pytesseract用于从图像中提取文本。由于pytesseract不能直接在 PDF 上工作，我们必须首先将我们的示例 PDF 转换为图像（或图像文件的集合）。

初始设置

让我们开始设置Wand包。可以使用 pip 安装Wand ：

点安装魔杖

该软件包还需要安装一个名为ImageMagick的工具（请参阅此处了解更多详细信息）。

将 PDF 转换为图像文件的软件包还有其他选项。例如，pdf2image是另一种选择，但我们将在本教程中使用Wand 。

此外，让我们继续安装pytesseract。这个包也可以使用 pip 安装：

点安装 pytesseract

pytesseract取决于安装的tesseract（请参阅此处以获取说明）。 tesseract是一个底层实用程序，它对图像执行 OCR（光学字符识别）以提取文本。

将 PDF 转换为图像文件

现在，一旦我们的设置完成，我们可以将 PDF 转换为图像文件的集合。我们这样做的方法是将每个单独的页面转换为图像文件。除了使用Wand之外，我们还将导入os包以帮助创建每个图像输出文件的名称。

对于此示例，我们将使用本文前面的 10k 表格的前三页的扫描版本。

from wand.image import Image

import os

pdf_file = "scanned_apple_10k_snippet.pdf"

files = []

with(Image(filename=pdf_file, resolution = 500)) as conn:

for index, image in enumerate(conn.sequence):

image_name = os.path.splitext(pdf_file)[0] + str(index + 1) + '.png'

Image(image).save(filename = image_name)

files.append(image_name)

在上面的with语句中，我们打开了一个到 PDF 文件的连接。分辨率参数指定我们想要的图像输出的DPI——在本例中为 500。在 for 循环中，我们指定输出文件名，使用Image.save保存图像，最后将文件名附加到图像文件列表中。这样，我们可以遍历图像文件列表，并从每个文件中抓取文本。

这应该创建三个单独的图像文件：

["scanned_apple_10k_snippet1.png",

"scanned_apple_10k_snippet2.png",

"scanned_apple_10k_snippet3.png"]

在每个图像文件上使用 pytesseract

接下来，我们可以使用pytesseract从每个图像文件中提取文本。在下面的代码中，我们将从每个页面提取的文本存储为列表中的一个单独元素。

all_text = []

for file in files:

text = pytesseract.image_to_string(Image.open(file))

all_text.append(text)

或者，我们可以使用如下列表推导：

all_text = [pytesseract.image_to_string(Image.open(file)) for file in files]

最后，希望大家打开pdfboss转换器官网（www.woniuppt.com），找到相关的pdf转换包下载。如果不了解，就先了解下面我给大家的各种功能实现的文章详情介绍：

如何使用Python实现一个pdf阅读器？

extract text from the first 10 pages

get text from pages 0, 2, and 4