如何使用PyPDF2提取PDF指定页码范围（如31-39页）的文本？

PyPDF2中pdfReader.pages的索引是从0开始的——也就是现实里的第1页对应代码中的索引0，第2页对应索引1，以此类推。你可以通过指定目标页码的索引，实现只提取选定内容，以下是两种常见场景的修改方案：

1. 提取单个或多个指定页码 #

比如你要提取第2页、第5页、第7页，先把这些页码转换成0-based索引（即1、4、6），再遍历这些索引提取文本：

import PyPDF2

# 用原始字符串r''避免路径转义问题
pdf_path = r'C:\sem1\691-project\Dataset\Maths\A Spiral Workbook for Discrete Mathematics.pdf'
txt_path = r'C:\sem1\691-project\Dataset\Maths\A Spiral Workbook for Discrete Mathematics.txt'

pdfFileObj = open(pdf_path, 'rb')
pdfReader = PyPDF2.PdfReader(pdfFileObj)
out_file = open(txt_path, 'a')

# 指定要提取的页码（转换为0-based索引）
target_page_indices = [1, 4, 6]  # 对应现实中的第2、5、7页

for idx in target_page_indices:
    # 先检查索引是否在PDF的有效页码范围内
    if 0 <= idx < len(pdfReader.pages):
        page_text = pdfReader.pages[idx].extract_text()
        print(page_text)
        out_file.write(page_text)
    else:
        print(f"页码索引{idx}超出PDF范围")

out_file.close()
pdfFileObj.close()

2. 提取连续的页码范围 #

比如你要提取第3页到第10页（包含首尾），先转换为0-based的起始索引2和结束索引9，再用range遍历这个范围：

import PyPDF2

pdf_path = r'C:\sem1\691-project\Dataset\Maths\A Spiral Workbook for Discrete Mathematics.pdf'
txt_path = r'C:\sem1\691-project\Dataset\Maths\A Spiral Workbook for Discrete Mathematics.txt'

pdfFileObj = open(pdf_path, 'rb')
pdfReader = PyPDF2.PdfReader(pdfFileObj)
out_file = open(txt_path, 'a')

# 指定页码范围（转换为0-based索引，首尾都包含）
start_idx = 2  # 对应现实中的第3页
end_idx = 9    # 对应现实中的第10页

# range是左闭右开，所以要给end_idx加1才能包含最后一页
for idx in range(start_idx, end_idx + 1):
    if 0 <= idx < len(pdfReader.pages):
        page_text = pdfReader.pages[idx].extract_text()
        print(page_text)
        out_file.write(page_text)
    else:
        print(f"页码索引{idx}超出PDF范围")

out_file.close()
pdfFileObj.close()

额外小提示 #

• 如果你习惯用现实中从1开始的页码，可以加个简单转换逻辑：

  # 示例：将现实页码转为代码索引
  real_page = 3
  idx = real_page - 1
  

• 始终用原始字符串r'路径'处理文件路径，避免像\s这类转义字符引发的错误。

内容的提问来源于stack exchange，提问作者Sindhu