python使用pdfplumber工具包加载pdf格式数据
说在前面
大问题,对于两栏pdf数据,我这边提取出来的数据发现它很离谱。
它居然直接忽略了两栏特性,直接将第1栏的句子拼接上了第2栏的句子
解决方法:pypdf2尝试后可以正确识别两栏数据,非常棒。
示例
pdfplumber代码
# 使用pdfplumber读取文件pdf_path = "./data/shakespeare.pdf"的第133页到1781页的数据,
# 并每200个words组成一个样本数据,每个样本数据单独一行,把所有分割的数据保存到txt文本中,和csv文件格式。
# 两种格式都要保存,csv有两列,第1列是id编号,第2列是每200个words数据。
# 问题:它对于两栏pdf数据不友好,它居然直接忽略的两栏,直接将第1栏的句子拼接上了第2栏的句子,很离谱,
import pdfplumber
import csv
from tqdm import tqdm
# PDF 文件路径
pdf_path = "./data/shakespeare.pdf"
# 输出文件路径
output_txt_path = "./data/shakespeare_samples.txt"
output_csv_path = "./data/shakespeare_samples.csv"
# 提取指定页码范围内的文本
def extract_text_from_pdf(pdf_path, start_page, end_page):
text = ""
with pdfplumber.open(pdf_path) as pdf:
for page_num in tqdm(range(start_page - 1, end_page), desc="提取指定页码范围内的文本"): # 页码从0开始
text += pdf.pages[page_num].extract_text() + " "
return text
# 分割文本为每200个单词一个样本
def split_text_into_samples(text, words_per_sample=200):
words = text.split()
samples = [" ".join(words[i:i + words_per_sample]) for i in tqdm(range(0, len(words), words_per_sample), desc="分割文本为每200个单词一个样本")]
return samples
# 保存样本数据到TXT文件
def save_samples_to_txt(samples, output_path):
with open(output_path, "w", encoding="utf-8") as txt_file:
for sample in tqdm(samples, desc="保存样本数据到TXT文件"):
txt_file.write(sample + "\n")
# 保存样本数据到CSV文件
def save_samples_to_csv(samples, output_path):
with open(output_path, "w", newline="", encoding="utf-8") as csv_file:
writer = csv.writer(csv_file)
writer.writerow(["id", "text"]) # 写入表头
for idx, sample in tqdm(enumerate(samples), desc="保存样本数据到CSV文件"):
writer.writerow([idx + 1, sample])
# 主流程
if __name__ == "__main__":
# 提取文本
start_page = 134
# end_page = 1782
end_page = 140
extracted_text = extract_text_from_pdf(pdf_path, start_page, end_page)
# 分割为样本
samples = split_text_into_samples(extracted_text, words_per_sample=200)
# 保存到文件
save_samples_to_txt(samples, output_txt_path)
save_samples_to_csv(samples, output_csv_path)
print(f"样本数据已保存到:\nTXT文件: {output_txt_path}\nCSV文件: {output_csv_path}")