如何在 Python/Django 中逐行读取 pdf 文件？答案

【问题标题】：How to read the pdf file in a line by line string in Python/Django?如何在 Python/Django 中逐行读取 pdf 文件？
【发布时间】：2013-04-02 03:37:40
【问题描述】：

我正在处理等于或小于5KB 的文本和pdf 文件。如果文件是文本文件，我会从表单中获取文件并在字符串中获取所需的输入以进行汇总：

 file = file.readlines()
 file = ''.join(file)
 result = summarize(file, num_sentences)

这很容易完成，但对于 pdf 文件，事实证明这并不容易。有没有办法像我在 Python/Django 中处理我的 txt 文件一样将 pdf 文件的句子作为字符串获取？

【问题讨论】：

这可能是这个问题的重复：stackoverflow.com/questions/2481945/…
是的，可能。但是我已经尝试了该问题中的建议解决方案。它无法以字符串形式返回所有文件的内容。
也许你可以在你的问题中这样说，并说出到底出了什么问题（错误信息？错误的内容？），以便我们为您提供帮助！
您可以使用这个应用程序：unixuser.org/~euske/python/pdfminer/index.html

标签： python django pdf file-io readlines

【解决方案1】：

我认为不可能像使用 txt 文件那样阅读 pdf，您需要将 pdf 转换为 txt 文件（参考 Python module for converting PDF to text）然后处理它。你也可以参考这个轻松将pdf转txthttp://code.activestate.com/recipes/511465-pure-python-pdf-to-text-converter/

【讨论】：

【解决方案2】：

在 Django 中你可以这样做：

views.py：

def upload_pdf():
     if request.method == 'POST' and request.FILES['myfile']:
        pdfFileObj = request.FILES['myfile'].read() 
        pdfReader = PyPDF2.PdfFileReader(io.BytesIO(pdfFileObj))
        NumPages = pdfReader.numPages
        i = 0
        content = []
        while (i<NumPages):
            text = pdfReader.getPage(i)
            content.append(text.extractText())
            i +=1
       # depends on what you want to do with the pdf parsing results
       return render(request, .....)

html部分：

<form method="post" enctype="multipart/form-data" action="/url">
    {% csrf_token %}
      <input  type="file" name="myfile"> # the name is the same as the one you put in FILES['myfile']
    <button class="butto" type="submit">Upload</button>
</form>

在 Python 中，您可以简单地这样做：

fileName = "path/test.pdf"
pdfFileObj = open(fileName,'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
NumPages = pdfReader.numPages

i = 0
content = []
while (i<NumPages):
    text = pdfReader.getPage(i)
    content.append(text.extractText())
    i +=1

【讨论】：