PDF 提取文本

复制import PyPDF2

# 打开 PDF 并逐页提取文本，保留原始布局（段落顺序）
with open("sample.pdf", "rb") as f:
    reader = PyPDF2.PdfReader(f)
    full_text = []
    for page in reader.pages:
        # extract_text() 按页面元素顺序拼接，保留换行
        full_text.append(page.extract_text())
    result = "\n".join(full_text)

print(result[:500])  # 输出前 500 字符

复制package main

import (
	"fmt"
	"os"
	"github.com/ledongthuc/pdf"
)

func main() {
	f, r, err := pdf.Open("sample.pdf")
	if err != nil {
		panic(err)
	}
	defer f.Close()

	var text string
	for i := 1; i <= r.NumPage(); i++ {
		page := r.Page(i)
		// 保留每页文本块顺序
		content, _, _ := page.GetPlainText()
		text += content + "\n"
	}
	fmt.Println(text[:500])
}

复制const fs = require('fs');
const pdf = require('pdf-parse');

// 读取 PDF 文件，保留文本布局（段落顺序）
const dataBuffer = fs.readFileSync('sample.pdf');

pdf(dataBuffer).then(function(data) {
    // data.text 按页面顺序拼接，保留换行
    console.log(data.text.substring(0, 500));
}).catch(err => {
    console.error('解析失败:', err);
});