如何在Python 3.7中从pdf提取文本

问题描述

使用蒂卡对我有用！

from tika import parser

rawText = parser.from_file('January2019.pdf')

rawList = rawText['content'].splitlines()

这使得将银行对帐单中的每一行分别提取到一个列表中非常容易。

解决方法

我正在尝试使用Python从PDF文件中提取文本。我的主要目标是尝试创建一个读取银行对帐单并提取其文本以更新Excel文件以轻松记录每月支出的程序。现在，我只专注于从pdf文件中提取文本，但我不知道该怎么做。

当前，将PDF文件中的文本提取为字符串的最佳和最简便的方法是什么？今天最好使用哪个库，我该怎么办？

我尝试使用PyPDF2，但是每次尝试使用extractText（）从任何页面提取文本时，它都会返回空字符串。我已经尝试安装textract，但是由于我需要更多的库而出现错误。

import PyPDF2

pdfFileObj = open("January2019.pdf",'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

pageObj = pdfReader.getPage(0)
print(pageObj.extractText())

当它应该打印页面内容时，这将打印空字符串