python读取pdf特定位置文字(python读取pdf内容转word)
python怎样读取pdf文件的内容
pdfminer 库
前几天刚做完一个解析PDF的web应用，给你地址也可以参考一下
如何利用Python抓取PDF中的某些内容
先把pdf转html，接下来再用bs4来解析处理。好处是处理html的工具非常非常丰富，且pdf2htmlex对原页面的效果保持得特别好，特别是对于那些个用word和latex导出的pdf里，大量数据图表里的标签可以很方便地把值抓出来…
基于Python实现PDF区域文本提取工具
pre{overflow-x: auto} 功能简介 打开软件后界面如下：
点击打开文件按钮打开之前的PDF文件后效果如下：
框选区域后，标题栏会自动显示当前框选的区域提取到的文字，还可以左右按钮切换：
实际我们需要提取文字的区域可能不止这一个，所以程序支持多区域框选：
完成区域框选后就可以点击保存文件，将PDF每页提取到的文本保存到一个csv文件中，当前选区的保存结果如下：
可以看到已经按框选顺序依次保存了每一个区域的字符串。
如果选择区域时发现提取结果不准确，可以撤销后重新选择：
保存图片则会将PDF的每页的整体保存为一张图片，未选择区域时，以页码为文件名保存图片：
选择区域时，会自动提取最后一个区域提取的文本作为当前页的文件名：
开发代码
当然这个项目由于本人是一次使用wxpython，功能非常简约，现在将完整代码开源出来期待各位大佬的改进。
源码和已编译工具下载地址：
完整代码： """ 小小明的代码 CSDN主页： """ __author__?=?'小小明' __time__?=?'2021/11/24' import?csv import?wx import?os import?fitz class?MyCanvas(wx.Panel): ????def?__init__(self,?parent): ????????wx.Panel.__init__(self,?parent) ????????self.parent?=?parent ????????self.rects?=?[] ????????self.Bind(wx.EVT_LEFT_DOWN,?self.OnLeftButtonEvent) ????????self.Bind(wx.EVT_LEFT_UP,?self.OnLeftButtonEvent) ????????self.Bind(wx.EVT_MOTION,?self.OnLeftButtonEvent) ????????self.Bind(wx.EVT_PAINT,?self.DoDrawing) ????????b?=?wx.Button(self,?-1,?"打开文件",?(0,?0)) ????????self.Bind(wx.EVT_BUTTON,?self.OnButton,?b) ????????b?=?wx.Button(self,?-1,?"保存文件",?(75,?0)) ????????self.Bind(wx.EVT_BUTTON,?self.save_file,?b) ????????b?=?wx.Button(self,?-1,?"保存图片",?(150,?0)) ????????self.Bind(wx.EVT_BUTTON,?self.save_img,?b) ????????b?=?wx.Button(self,?-1,?"撤销选区",?(225,?0)) ????????self.Bind(wx.EVT_BUTTON,?self.back_select,?b) ????????b?=?wx.Button(self,?-1,?"《",?(300,?0),?size=(25,?25)) ????????self.Bind(wx.EVT_BUTTON,?self.previous,?b) ????????b?=?wx.Button(self,?-1,?"》",?(325,?0),?size=(25,?25)) ????????self.Bind(wx.EVT_BUTTON,?self.next,?b) ????????self.g1?=?wx.Gauge(self,?-1,?100,?(0,?30),?(-1,?100),?wx.GA_VERTICAL) ????def?previous(self,?evt): ????????if?not?hasattr(self,?"pdfDoc"): ????????????return ????????if?self.i??0: ????????????self.i?-=?1 ????????????self.change_pdf_page(self.i,?False) ????????????self.DoDrawing(-1) ????????????if?self.rects: ????????????????self.parent.SetTitle(self.path?+?"|"?+?self.extract_pdf_text()) ????def?next(self,?evt): ????????if?not?hasattr(self,?"pdfDoc"): ????????????return ????????if?self.i?
如何使用python来获取pdf文件里的文字，最好是不能乱码
没有其它的办法,可以用汉王去转换,但是转出来的依然是每个字每个字的小图
希望我的回答对你有所帮助，如果满意请设置为最佳答案，谢谢
Python利器：如何处理PDF表格数据
大家好，我是Peter~
在很多情况下，我们都需要处理PDF格式的文件。尤其当我们遇到PDF表格数据需要进行提取，真的是一个令人头疼的问题。
因为PDF文件不能像Word那样直接复制，即使复制了再黏贴也可能会出现格式排版错乱甚至乱码问题。如何从一个PDF文件提取出表格数据？本文提供两个解决方案：
首先提供的一种方法是从文字 PDF 中提取表格信息的工具：Camelot，它能够直接将大部分表格转换为 Pandas 的 Dataframe。
更多的详细信息，请参考项目地址：
camelot的安装有多种方式。如果有报错，网上一般有解决方式：
1、通过conda安装
2、使用pip进行安装
3、通过GitHub进行安装
首先将项目复制到本地：
然后进入文件中进行安装：
下面通过一个案例来讲解如何使用camelot。假设我们现在有一个只有一页的PDF文件test.pdf：
1、先读取文件
导出成csv格式的数据（方式1）
查看tables的相关信息：
导出方式2：
将数据转换成DataFrame：
tabula的功能比camelot更加强大，可以同时对多个表格数据进行提取。项目的具体地址请参考：
tabula的安装是非常简单的：
安装之后检验这个库是否安装成功：
通过tabula这个库来读取PDF文件：
然后我们发现列表中唯一的一个元素就是dataframe：
将读取到的数据输出成CSV格式的文件：
上面读取的PDF文件是比较简单的，只有一页，而且刚好是一个很标准的表格形式的数据，下面看一个比较复杂的例子：
下面是第一页，第一列可以看成是索引：
在第二页中有两份表格，而且中间有很多的空白行：
第三页的数据比较标准：
这3页是在同一个PDF文件中，这3页是在同一个PDF文件中，这3页是在同一个PDF文件中
上面的红色提示中我们看到：当没有指定pages参数的时候，只会默认读取第一页的数据，所以列表的长度为1。
转成dataframe后将原来的索引变成新的一列 （部分数据）
通过pages来读取全部数据：
通过指定pages="all"：
同时获取两个表格的数据：
通过area参数来指定：
删除在读取的表格中我们不需要的字段信息
可以将得到的数据输出成不同格式的文件，以json格式为例：
我们可以看到