pdf2txt

删除页头

E:\Microsoft VS Code\py\2024年9月21日-读取PDF.py

环境变量 --> vscode-python312 * X:\CondaEnvs\vscode-python312

import PyPDF2
import re

# 指定PDF文件路径
pdf_path = r'S:\temp\vk\China After Mao_rearranged4-5.pdf'
output_path = r'S:\temp\vk\output.txt'  # 输出文本文件路径

def extract_text_without_headers_footers(pdf_path):
    # 打开PDF文件
    with open(pdf_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)

        # 获取PDF页数
        num_pages = len(pdf_reader.pages)
        print(f"PDF文件共有 {num_pages} 页")

        # 用于保存所有页面的文本
        all_text = []

        for page_num in range(num_pages):
            page = pdf_reader.pages[page_num]
            text = page.extract_text()

            if text:  # 确保提取到文本
                # 假设每页的前3行是页头，后3行是页脚
                lines = text.split('\n')

                # 排除前3行和后3行
                body_text = lines[1:] if len(lines) > 6 else lines

                # 将文本合并为单一字符串
                page_text = "\n".join(body_text)

                # 使用正则表达式删除特定文本
                page_text = re.sub(r'中文版導言\s*\d+', '', page_text)

                all_text.append(page_text)

        # 将所有页面的文本写入输出文件
        with open(output_path, 'w', encoding='utf-8') as output_file:
            for i, text in enumerate(all_text):
                output_file.write(f"\n{text}\n\n")

        print(f"处理后的文本已保存到: {output_path}")

extract_text_without_headers_footers(pdf_path)