read-bin-docs

文档格式

快速开始：从 PDF 中提取文本

需要从 PDF 中提取文本？使用这段 Python 代码：

from pypdf import PdfReader

reader = PdfReader("document.pdf")
text = "".join(page.extract_text() for page in reader.pages)
print(text)

也可以从命令行运行：

uvx --with pypdf python /path/to/extract_pdf_text.py document.pdf

PDF 文本提取

基本用法

from pypdf import PdfReader

# Read all pages
reader = PdfReader("file.pdf")
for page in reader.pages:
    text = page.extract_text()
    print(text)

提取特定页面

from pypdf import PdfReader

reader = PdfReader("file.pdf")
# Get pages 1-5 (0-indexed)
for page in reader.pages[0:5]:
    print(page.extract_text())

使用脚本

此技能包含用于命令行提取的 scripts/extract_pdf_text.py：

# Extract all pages to stdout
python extract_pdf_text.py document.pdf

# Extract to file
python extract_pdf_text.py document.pdf --output text.txt

# Extract specific pages
python extract_pdf_text.py document.pdf --pages 1-5
python extract_pdf_text.py document.pdf --pages 1,3,5

要求

• pypdf：uvx --with pypdf python <script>
• 适用于大多数基于文本的 PDF
• 未经 OCR 处理的扫描版 PDF 无法提取文本

常见问题

“未提取到文本”：PDF 可能是未经 OCR 处理的扫描件（基于图像）。OCR 支持需要额外的工具。

“编码错误”：pypdf 可以处理大多数编码，但部分 PDF 可能存在编码问题。如果可用，请使用 page.extract_text(layout=True) 进行感知布局的提取。

---

未来计划：即将支持 DOCX、XLSX 和其他格式。