Python实现读取PDF中的文本,图片与文档属性

from spire.pdf import PdfDocument, PdfTextExtractor, PdfTextExtractOptions

# 创建 PdfDocument 实例并加载文档
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

all_text = ""
# 遍历所有页面
for pageIndex in range(pdf.Pages.Count):
    page = pdf.Pages.get_Item(pageIndex)
    # 创建文本提取器
    text_extractor = PdfTextExtractor(page)
    # 设置提取选项
    options = PdfTextExtractOptions()
    options.IsExtractAllText = True
    options.IsSimpleExtraction = True
    # 提取文本并累加
    all_text += text_extractor.ExtractText(options)

# 输出全部文本内容
print(all_text)

from spire.pdf import PdfDocument, PdfImageHelper

# 加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 获取第一页
page = pdf.Pages.get_Item(0)

# 创建图片助手
image_helper = PdfImageHelper()
# 获取页面中的图片信息
images_info = image_helper.GetImagesInfo(page)

# 保存图片为本地文件
for i in range(len(images_info)):
    images_info[i].Image.Save("output/Images/image" + str(i) + ".png")

from spire.pdf import PdfDocument

# 加载PDF文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 获取文档属性信息
properties = pdf.DocumentInformation
print("标题： " + properties.Title)
print("作者： " + properties.Author)
print("主题： " + properties.Subject)
print("关键词： " + properties.Keywords)