如何用 Python 批量提取 PDF 文本内容？

本文为你展示，如何用 Python 把许多 PDF 文件的文本内容批量提取出来，并且整理存储到数据框中，以便于后续的数据分析。

问题

最近，读者们在后台的留言，愈发五花八门了。

写了几篇关于自然语言处理的文章后，一种呼声渐强：

老师，pdf 中的文本内容，有没有什么方便的方法提取出来呢？

我能体会到读者的心情。

我展示的例子中，文本数据都是直接可以读入数据框工具做处理的。它们可能来自开放数据集合、网站 API，或者爬虫。

但是，有的时候，你会遇到需要处理指定格式数据的问题。

例如 pdf。

许多的学术论文、研究报告，甚至是资料分享，都采用这种格式发布。

这时候，已经掌握了诸多自然语言分析工具的你，会颇有 “拔剑四顾心茫然” 的感觉 — — — 明明知道如何处理其中的文本信息，但就是隔着一个格式转换的问题，做不来。

怎么办？

办法自然是有的，例如专用工具、在线转换服务网站，甚至还可以手动复制粘贴嘛。

但是，咱们是看重效率的，对不对？

上述办法，有的需要在网上传输大量内容，花费时间较多，而且可能带来安全和隐私问题；有的需要专门花钱购买；有的干脆就不现实。

怎么办？

好消息是，Python 就可以帮助你高效、快速地批量提取 pdf 文本内容，而且和数据整理分析工具无缝衔接，为你后续的分析处理做好基础服务工作。

本文给你详细展示这一过程。

想不想试试？

数据

为了更好地说明流程，我为你准备好了一个压缩包。

里面包括本教程的代码，以及我们要用到的数据。

请你到 这个网址 下载本教程配套的压缩包。

下载后解压，你会在生成的目录（下称”演示目录”）里面看到以下内容。