【问题标题】：PyPDF2 - PdfFileReader - cannot extract textPyPDF2 - PdfFileReader - 无法提取文本
【发布时间】：2021-02-06 01:39:45
【问题描述】：

我正在循环浏览一个目录并阅读大量 PDF。我正在使用循环从每个页面中提取所有文本信息。

5/13 PDF 在尝试使用 .getNumPages() 时抛出错误：发生异常：ValueError 无效的 int() 字面量为 10：b''。我认为发生此错误是因为对象（PyPDF2）显示 numPages: 0。

当前代码

dir = os.listdir(directory)

for f in dir:
object = PyPDF2.PdfFileReader(directory + '\\' + f)

NumPages = object.getNumPages()
text_output = ""  # Initiate Variable

# Loop through all pages and extract/merge text
with open(directory + '\\' + f, mode='rb') as FileName:
    reader = PyPDF2.PdfFileReader(FileName)
    for p_num in range(0, NumPages):
        page = reader.getPage(p_num)
        text_output = text_output + '\n' + 'PAGE: ' + \
            str(p_num + 1) + '\n' + page.extractText()

I added an image showing the object data where numPages: 0

我不明白为什么只有某些 PDF 存在这个问题。任何帮助将不胜感激！

【问题讨论】：

pdf 文件可能在某种程度上与普通 pdf 文件不同。您可以尝试在查看器中打开它们并再次将它们另存为 pdf 以尝试修复偏差。
我试过这个没有成功。
@alexlong，你能分享你的 pdf 吗？

标签： python text-extraction pypdf2

【解决方案1】：

我测试了几个 pdf 库，我注意到 PyMuPDF 最适合阅读 pdf 文件。

这里的代码示例：

import fitz

doc = fitz.open("file.pdf")

for page in doc:
    text = page.getText()
    print(text)

【讨论】：

这是处理 pdf 的最佳库。

【解决方案2】：

好吧，我也遇到了与 PyPDF2 相同的问题，所以我使用了另一个名为 slate 的 python 库

安装库
```
pip install slate3k
```

然后使用下面的代码

import slate3k as slate

with open(file.pdf, 'rb') as f:
  extracted_text = slate.PDF(f)
  print(extracted_text)

【讨论】：

【解决方案3】：

我使用pdfminer提取pdf。

您可以参考示例代码。

#pip install pdfminer.six
import io

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


def convert_pdf_to_txt(path):
    '''Convert pdf content from a file path to text

    :path the file path
    '''
    rsrcmgr = PDFResourceManager()
    codec = 'utf-8'
    laparams = LAParams()

    with io.StringIO() as retstr:
        with TextConverter(rsrcmgr, retstr, codec=codec,
                           laparams=laparams) as device:
            with open(path, 'rb') as fp:
                interpreter = PDFPageInterpreter(rsrcmgr, device)
                password = ""
                maxpages = 0
                caching = True
                pagenos = set()

                for page in PDFPage.get_pages(fp,
                                              pagenos,
                                              maxpages=maxpages,
                                              password=password,
                                              caching=caching,
                                              check_extractable=True):
                    interpreter.process_page(page)

                return retstr.getvalue()


if __name__ == "__main__":
    print(convert_pdf_to_txt('test.pdf'))

有关此盖子的更多信息。您可以参考下面的链接

PDFminer

如果有任何问题，请检查并回复我。

【讨论】：