如何使用pypdf提取PDF文本时排除页码？

针对你遇到的页码（如示例中的“5”）出现在提取文本开头的情况，可以通过对每页提取的文本做预处理来移除页码，以下是修改后的代码：

from pypdf import PdfReader

reader = PdfReader("pdf-examples/kurdish-sample-2.pdf")
full_text = ""
for page in reader.pages:
    page_text = page.extract_text()
    if not page_text:
        continue
    # 跳过开头所有连续的数字和空格，定位到有效文本起始位置
    start_pos = 0
    while start_pos < len(page_text) and (page_text[start_pos].isdigit() or page_text[start_pos].isspace()):
        start_pos += 1
    cleaned_text = page_text[start_pos:]
    full_text += cleaned_text + "\n"
print(full_text)

逻辑说明 #

这段代码会遍历每页文本的开头部分，跳过所有连续的数字和空格字符，从第一个非数字非空格的字符开始截取内容，从而移除页首的页码。如果你的页码格式或位置不同（比如在页尾），可以调整判断逻辑：

• 若页码固定在页尾，可检查文本末尾的数字序列并移除
• 若页码是带格式的（如“第5页”），可通过字符串匹配或正则表达式来定位并移除

如果只是处理页首单个数字的简单场景，也可以用更简化的写法：

from pypdf import PdfReader

reader = PdfReader("pdf-examples/kurdish-sample-2.pdf")
full_text = ""
for page in reader.pages:
    page_text = page.extract_text()
    if page_text and page_text[0].isdigit():
        # 跳过第一个数字及后续空格
        cleaned_text = page_text[1:].lstrip()
    else:
        cleaned_text = page_text or ""
    full_text += cleaned_text + "\n"
print(full_text)

内容的提问来源于stack exchange，提问作者Hama Sabah