使用Python提取PDF文本时删除每页前5行的实现方法咨询

两种实现方式都支持，优先推荐在文本提取阶段直接过滤，不需要额外存储全量分页文本，执行效率更高。

读取单页文本后直接按换行符拆分，跳过前5行后再拼接进总文本即可，修改后的代码如下：

import PyPDF2

fileReader = PyPDF2.PdfFileReader(file)
s = ""
# 保留你原来从第3页（索引为2）开始读取的逻辑
for i in range(2, fileReader.numPages):
    page_text = fileReader.getPage(i).extractText()
    # 按换行符拆分单页文本为行列表
    lines = page_text.splitlines()
    # 跳过前5行后重新拼接为单页文本，避免页面行数不足5行报错
    filtered_page = "\n".join(lines[5:])
    s += filtered_page

如果已经完成全量提取，需要提前存储每页的独立文本（不能直接合并所有页内容，否则无法区分每页的开头边界），再逐页过滤后合并，示例代码如下：

# page_text_list为提前存储的每页原始文本列表
s = ""
for page_text in page_text_list:
    lines = page_text.splitlines()
    s += "\n".join(lines[5:])

注意：如果PDF存在排版导致的软换行（单句文本被拆分为多个行），可以先对每页文本做段落归一化处理，再按实际段落删除前5段，避免误删正文内容。

内容的提问来源于stack exchange，提问作者huy