使用PyMuPDF（fitz）提取PDF文件文本内容_pymupdf获取pdf中每一页上的所有数据

安装PyMuPDF库（如果还没有安装的话）：

pip install pymupdf
1

使用以下Python脚本来提取指定页面的文本：

import fitz  # 导入PyMuPDF库

def extract_text_from_specific_page(file_path, page_number):
    # 打开PDF文件
    doc = fitz.open(file_path)
    
    # 检查页面号是否有效
    if page_number < 1 or page_number > len(doc):
        return "页面号超出文档范围"
    
    # 提取指定页面的文本（页面索引从0开始，因此减1）
    page = doc[page_number - 1]
    text = page.get_text()
    
    # 关闭文档
    doc.close()
    
    return text

# 设置文件路径和要提取的页面号
pdf_path = './example.pdf'  # PDF文件路径
page_number = 3  # 假设我们要提取第3页的内容（从1开始）

# 调用函数并打印结果
extracted_text = extract_text_from_specific_page(pdf_path, page_number)
print(extracted_text)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

使用以下Python脚本来提取PDF文件所有页面文本，并存储在txt文件中：

import fitz  # 导入PyMuPDF库

def extract_text_from_pdf(file_path, output_path):
    """
    从指定的PDF文件中提取所有页面的文本，并将其存储在TXT文件中。

    参数:
    file_path: str, PDF文件的路径。
    output_path: str, 输出的TXT文件的路径。
    """
    # 打开PDF文件
    doc = fitz.open(file_path)
    
    # 初始化一个空字符串来收集文本
    full_text = ""
    
    # 遍历每一页
    for page in doc:
        # 提取当前页面的文本并追加到full_text字符串
        full_text += page.get_text()
    
    # 关闭文档
    doc.close()
    
    # 将所有文本写入TXT文件
    with open(output_path, "w", encoding="utf-8") as file:
        file.write(full_text)

    return f"文本已保存到 {output_path}"

# 设置文件路径和输出路径
pdf_path = 'example.pdf'  # PDF文件路径
txt_path = 'output.txt'  # 输出TXT文件的路径

# 调用函数并打印结果
result = extract_text_from_pdf(pdf_path, txt_path)
print(result)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38