PyPDF2的替代方案

Question

我正在使用PyPDF2包从.pdf文件中提取文本。我得到了输出，但不是它想要的形式。我找不到问题出在哪里？

代码片段如下：

import PyPDF2
def Read(startPage, endPage):
    global text
    text = []
    cleanText = " "
    pdfFileObj = open('F:\\Pen Drive 8 GB\\PDF\\Handbooks\\book1.pdf', 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    num_pages = pdfReader.numPages
    print(num_pages)
    while (startPage <= endPage):
        pageObj = pdfReader.getPage(startPage)
        text += pageObj.extractText()
        startPage += 1
    pdfFileObj.close()
    for myWord in text:
        if myWord != '\n':
            cleanText += myWord
    text = cleanText.strip().split()
    print(text)

Read(3, 3)

我现在得到的输出是作为参考的，如下所示：

​

​

任何帮助都是非常感谢的。

Answer 1

cleanText += myWord这一行只是将所有单词连接成一个长字符串。如果您想要过滤'\n'，而不是：

for myWord in text:
        if myWord != '\n':
            cleanText += myWord
    text = cleanText.strip().split()

您可以这样做：

text = [w for w in text if w != '\n']