最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

python實(shí)現(xiàn)讀取學(xué)術(shù)論文PDF文件內(nèi)容

 更新時(shí)間:2024年10月23日 09:19:44   作者:IT修煉家  
這篇文章主要為大家詳細(xì)介紹了如何通過python實(shí)現(xiàn)讀取學(xué)術(shù)論文PDF文件內(nèi)容的功能,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下

1、PyPDF2

PyPDF2 是一個(gè)常用的庫,可以用來讀取、合并、分割和修改PDF文件。讀取pdf內(nèi)容:

import PyPDF2

# 打開PDF文件
with open('ELLK-Net_An_Efficient_Lightweight_Large_Kernel_Network_for_SAR_Ship_Detection.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    # 獲取頁面數(shù)
    num_pages = len(reader.pages)
    print(f"頁面數(shù): {num_pages}")
    
    # 讀取每一頁的文本
    for i in range(num_pages):
        page = reader.pages[i]
        text = page.extract_text()
        print(f"第 {i + 1} 頁的內(nèi)容:\n{text}")

結(jié)果如下:

效果: 可以看出,讀取是從左往右,從上往下,文本內(nèi)容讀取的還挺全的,但是圖片、表格都讀不出來。

2、pdfplumber

pdfplumber 是一個(gè)功能強(qiáng)大的庫,專門用于提取PDF文件中的文本和表格數(shù)據(jù)。讀取PDF內(nèi)容:

import pdfplumber

# 打開PDF文件
with pdfplumber.open('example.pdf') as pdf:
    for i in range(len(pdf.pages)):
        page = pdf.pages[i]
        text = page.extract_text()
        print(f"第 {i + 1} 頁的內(nèi)容:\n{text}")

結(jié)果如下:

效果: 看結(jié)果,這個(gè)庫讀取PDF是一整行一整行讀取的,當(dāng)文檔內(nèi)容是兩頁的時(shí)候,兩列同一行會被同時(shí)讀取??磩e人說讀取表格方便,但是這里也沒讀取出來,具體如下圖所示。

此外,使用table = page.extract_table()單獨(dú)讀取有表格的頁,輸出結(jié)果為None

3、PyMuPDF

PyMuPDF 是另一個(gè)高效的庫,可以處理PDF文件,支持文本提取、圖像提取等功能。讀取pdf如下:

import fitz  # PyMuPDF
from PIL import Image
import io
# 打開PDF文件
doc = fitz.open('ELLK-Net_An_Efficient_Lightweight_Large_Kernel_Network_for_SAR_Ship_Detection.pdf')
for page_number,page in enumerate(doc):
    text = page.get_text()
    print(f"第 {page.number + 1} 頁的內(nèi)容:\n{text}")
    # 獲取頁面中的所有圖片
    image_list = page.get_images(full=True)
    # 遍歷所有圖片
    for img_index, img in enumerate(image_list):
        # 圖片的XREF
        xref = img[0]
        # 獲取圖片對象
        base_image = doc.extract_image(xref)
        # 獲取圖片的二進(jìn)制數(shù)據(jù)
        image_bytes = base_image["image"]
        # 將二進(jìn)制數(shù)據(jù)轉(zhuǎn)為PIL圖像
        image = Image.open(io.BytesIO(image_bytes))
        # # 左右翻轉(zhuǎn)
        # image = image.transpose(method=Image.FLIP_LEFT_RIGHT)
        # 上下翻轉(zhuǎn)
        image = image.transpose(method=Image.FLIP_TOP_BOTTOM)
        # 獲取圖片的擴(kuò)展名
        image_ext = base_image["ext"]
        # 保存圖片
        # with open(f"page_{page_number + 1}_img_{img_index + 1}.{image_ext}", "wb") as image_file:
        #     image_file.write(image_bytes)
        image.save(f"page_{page_number + 1}_img_{img_index + 1}.{image_ext}")
        print(f"第 {page_number + 1} 頁中提取的圖片 {img_index + 1} 已保存。")

讀取效果如下:

效果:文字提取效果與PyPDF2差不多,不同點(diǎn)是遇到大的空格會直接換行??梢宰x取圖片,我這里發(fā)現(xiàn)讀取的圖片需要上下翻轉(zhuǎn)。插入的圖片可以直接讀取,但是流程圖可能因?yàn)槭莢isio畫的,讀取不出來。另外,三線表格還是沒有讀取出來。

4、pdfminer

pdfminer.six 是一個(gè)專注于從PDF文件中提取文本和元數(shù)據(jù)的庫。讀取PDF如下:

from pdfminer.high_level import extract_text

# 提取文本
text = extract_text('example.pdf')
print(text)

讀取結(jié)果:

效果: 讀取結(jié)果整體空行多。讀取方式按行讀取,有左右兩列的時(shí)候,哪一列先讀到就讀哪一列,因此順序可能會錯(cuò)亂,就像上面結(jié)果圖一項(xiàng),該頁內(nèi)容先讀取的右邊的列。

總結(jié)

看網(wǎng)上的說法是:

PyPDF2:適合基本的PDF操作,如合并和提取文本。

pdfplumber:非常適合提取文本和表格。

PyMuPDF:功能強(qiáng)大,處理速度快,支持多種操作。

pdfminer.six:更適合復(fù)雜的文本提取需求。

但在讀取類似上面這樣的論文文檔時(shí),PyPDF2和PyMuPDF感覺好用點(diǎn)。

到此這篇關(guān)于python實(shí)現(xiàn)讀取學(xué)術(shù)論文PDF文件內(nèi)容的文章就介紹到這了,更多相關(guān)python讀取PDF內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

最新評論

德格县| 德清县| 盐源县| 启东市| 甘谷县| 申扎县| 辉县市| 三明市| 历史| 珲春市| 玛沁县| 广宁县| 洞口县| 伊金霍洛旗| 博白县| 依兰县| 海口市| 宿迁市| 南靖县| 山阳县| 沂水县| 武宁县| 防城港市| 安塞县| 雷州市| 格尔木市| 安徽省| 保亭| 互助| 梁山县| 资阳市| 青海省| 平罗县| 平陆县| 青岛市| 怀宁县| 高碑店市| 佳木斯市| 平乡县| 安泽县| 梁平县|