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 pypdffrom langchain.document_loaders import PyPDFLoaderloader = 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