[已解决]PyMuPDF导出txt时，多出来的是哪来的？能否不导出pdf中看不见的东西？

blackantt

pymupdf 升级到1.22.3 后，问题解决






pdf见  https://t.wss.ink/f/baa9uyq87sz

import sys, fitz

fname = 'Whose-Button-Is-It-FKB_CC-BY-SA.pdf'
doc = fitz.open(fname)  
text = ''
#for page in doc:  
for i,page in enumerate(doc, start=1):

    #text += page.getText() 
    print('page---------' + str(i) ,'\n', page.getText())

最佳答案

月排行榜 / 总排行榜

isdkz

2023-5-24 14:48:12

PyMuPDF库通过getText()方法来提取PDF中的文本，它包含了所有的内容，包括页面标题、制作信息以及其他元数据，这可能是你看到的多出的"Title page"、"Imprint page"和时间等信息的来源。

如果你希望仅导出PDF的可见文本内容，可以考虑使用其他的PDF处理库，如PDFMiner。PDFMiner库更专注于从PDF中提取可见的文本，而不是元数据。

如果你还是希望使用PyMuPDF，并希望更准确地控制提取的文本，你可以使用 extract_text() 函数代替 getText() 。这个函数提供了更多的选项，可以帮助你准确地控制要提取的文本。以下是一个例子：

import sys, fitz

fname = 'Whose-Button-Is-It-FKB_CC-BY-SA.pdf'
doc = fitz.open(fname)  
text = ''
#for page in doc:  
for i,page in enumerate(doc, start=1):

    # Use extract_text instead of getText
    text_blocks = page.extract_text().split('\n')
    for block in text_blocks:
        if not block.startswith("Title page") and not block.startswith("Imprint page"):
            print('page---------' + str(i) ,'\n', block)

这个例子中， extract_text() 首先将页面的文本分割成一个个的块，然后我们遍历这些块，忽略那些以"Title page"或者"Imprint page"开头的块。

不过，这只是一个简单的例子，你可能需要进一步调整代码以满足你的特定需求。希望这个信息能够帮到你。

跳转到最佳答案楼层

isdkz

PyMuPDF库通过getText()方法来提取PDF中的文本，它包含了所有的内容，包括页面标题、制作信息以及其他元数据，这可能是你看到的多出的"Title page"、"Imprint page"和时间等信息的来源。

如果你希望仅导出PDF的可见文本内容，可以考虑使用其他的PDF处理库，如PDFMiner。PDFMiner库更专注于从PDF中提取可见的文本，而不是元数据。

如果你还是希望使用PyMuPDF，并希望更准确地控制提取的文本，你可以使用 extract_text() 函数代替 getText() 。这个函数提供了更多的选项，可以帮助你准确地控制要提取的文本。以下是一个例子：

import sys, fitz

fname = 'Whose-Button-Is-It-FKB_CC-BY-SA.pdf'
doc = fitz.open(fname)  
text = ''
#for page in doc:  
for i,page in enumerate(doc, start=1):

    # Use extract_text instead of getText
    text_blocks = page.extract_text().split('\n')
    for block in text_blocks:
        if not block.startswith("Title page") and not block.startswith("Imprint page"):
            print('page---------' + str(i) ,'\n', block)

这个例子中， extract_text() 首先将页面的文本分割成一个个的块，然后我们遍历这些块，忽略那些以"Title page"或者"Imprint page"开头的块。

不过，这只是一个简单的例子，你可能需要进一步调整代码以满足你的特定需求。希望这个信息能够帮到你。