Python可以借助多个库来清理PDF文件并只保留纯文本，以下介绍几种常见方法： ### 使用`PyPDF2`库 `PyPDF2`库可用于提取PDF文件中的文本，虽然它无法处理加密或复杂格式的PDF，但对于简单的PDF文件很有效。示例代码如下： ```python import PyPDF2 def extract_text_from_pdf(pdf_path): text = "" with open(pdf_path, 'rb') as file: reader = PyPDF2.PdfReader(file) for page in reader.pages: text += page.extract_text() return text pdf_path = 'your_pdf_file.pdf' extracted_text = extract_text_from_pdf(pdf_path) print(extracted_text) ``` ### 使用`pdfplumber`库 `pdfplumber`库功能更强大，能处理各种类型的PDF文件，且提取文本的准确性较高。示例代码如下： ```python import pdfplumber def extract_text_pdfplumber(pdf_path): text = "" with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: text += page.extract_text() return text pdf_path = 'your_pdf_file.pdf' extracted_text = extract_text_pdfplumber(pdf_path) print(extracted_text) ``` ### 使用`pytesseract`库处理扫描版PDF 如果PDF是扫描版的，需要先使用`PyMuPDF`将PDF转换为图像，再用`pytesseract`进行OCR识别。示例代码如下： ```python import fitz import pytesseract from PIL import Image import io def extract_text_from_scanned_pdf(pdf_path): text = "" pdf = fitz.open(pdf_path) for page_num in range(len(pdf)): page = pdf.load_page(page_num) pix = page.get_pixmap() img_bytes = pix.tobytes("png") img = Image.open(io.BytesIO(img_bytes)) text += pytesseract.image_to_string(img) return text pdf_path = 'your_scanned_pdf_file.pdf' extracted_text = extract_text_from_scanned_pdf(pdf_path) print(extracted_text) ``` 上述代码中，`PyPDF2`和`pdfplumber`库适用于普通PDF文件，而`pytesseract`库则用于处理扫描版PDF文件。通过这些方法，可以清理PDF文件并只保留纯文本内容。