简单介绍处理pdf文件的10个方法

1、创建文件夹（output_folder为创建文件夹的名称）：

os.makedirs(output_folder, exist_ok=True)

2、将PDF转换为图像，以便后续方便对pdf上的文字提取和处理（这里需要从pdf2image库中导入convert_from_path函数）：

from pdf2image import convert_from_path
images = convert_from_path(pdf_path)

3、enumerate是Python中的一个内置函数，用于在迭代过程中同时获取元素的索引和值。它返回一个生成器对象，该对象产生包含索引和对应值的元组。（i就是对应的索引值，image对应图像）：

for i, image in enumerate(images)：

4、os.path.join函数用于将两个路径内容合并：

image_path = os.path.join(output_folder, f'{file_name}_page_{i + 1}.jpeg')

5、保存图像内容需要使用save函数：

image.save(image_path)

6、fitz介绍：fitz是一种用于操作PDF文件的Python库，很可能是 PyMuPDF（也称为 Fitz）库。PyMuPDF 是一个功能强大且常用的用于读取、编辑和提取信息的PDF处理库。该库提供了对PDF文档的许多操作，如打开、读取、写入、渲染等。（open用来打开pdf）

doc = fitz.open(pdf_path)

7、page_count是fitz库自带的方法用来获取pdf的页数

page_count = doc.page_count

8、load_page() 方法来加载指定页码的页面。load_page(page_number) 方法用于加载 PDF 文档中的指定页码的页面，并将页面分配给名为 page 的变量。

page = doc.load_page(page_number)

9、get_images() 方法用于获取页面中的图像列表。它返回一个包含图像信息的列表，每个图像信息是一个字典对象，包含图像数据以及其他相关的属性。 

image_list = page.get_images()

10、os.base.basename方法用来获取pdf的文件名包括他的扩展，然后使用os.path.splitext（）[0]方法获取pdf文件名不包含扩展名

 pdf_filename = os.path.basename(pdf_file)  # 获取 PDF 文件的文件名（包含扩展名）
 pdf_name = os.path.splitext(pdf_filename)[0]  # 获取 PDF 文件的纯文件名（不包含扩展名）