从PDF中精确提取文本并排除页面编号：PyPDF实践指南

from pypdf import PdfReader

def extract_all_text(pdf_path: str) -> str:
    """
    从PDF文件中提取所有页面的文本内容。
    """
    reader = PdfReader(pdf_path)
    full_text = []
    for page in reader.pages:
        full_text.append(page.extract_text())
    return "\n".join(full_text)

# 示例用法
pdf_file = "pdf-examples/kurdish-sample-2.pdf" # 替换为你的PDF文件路径
extracted_content = extract_all_text(pdf_file)
print("--- 原始提取内容 ---")
print(extracted_content[:200]) # 打印前200个字符作为示例

from pypdf import PdfReader

def extract_text_excluding_page(pdf_path: str, page_to_exclude: int) -> str:
    """
    从PDF文件中提取文本，但跳过指定的页码。

    Args:
        pdf_path (str): PDF文件的路径。
        page_to_exclude (int): 需要跳过的页码（1-indexed）。

    Returns:
        str: 提取后的文本内容。
    """
    reader = PdfReader(pdf_path)
    full_text_parts = []
    current_page_number = 1 # 页面计数器，从1开始

    for page in reader.pages:
        if current_page_number == page_to_exclude:
            print(f"--- 跳过页面: {page_to_exclude} ---")
            pass # 跳过此页，不进行任何操作
        else:
            full_text_parts.append(page.extract_text())
        current_page_number += 1

    return "\n".join(full_text_parts)

# 示例用法：跳过第五页
pdf_file = "pdf-examples/kurdish-sample-2.pdf" # 替换为你的PDF文件路径
processed_content = extract_text_excluding_page(pdf_file, 5)
print("\n--- 排除第五页后的提取内容 ---")
print(processed_content[:200]) # 打印前200个字符作为示例

import re
from pypdf import PdfReader

def clean_extracted_text(text: str) -> str:
    """
    从文本中移除行首的数字（潜在的页码）。
    """
    cleaned_lines = []
    for line in text.splitlines():
        # 匹配行首的一个或多个数字，后面可能跟着空格
        cleaned_line = re.sub(r"^\s*\d+\s*", "", line)
        if cleaned_line.strip(): # 避免添加空行
            cleaned_lines.append(cleaned_line)
    return "\n".join(cleaned_lines)

def extract_and_clean_all_text(pdf_path: str) -> str:
    """
    从PDF文件中提取所有文本，并进行清洗以移除行首的数字。
    """
    reader = PdfReader(pdf_path)
    full_raw_text = []
    for page in reader.pages:
        full_raw_text.append(page.extract_text())

    combined_raw_text = "\n".join(full_raw_text)
    return clean_extracted_text(combined_raw_text)

# 示例用法
pdf_file = "pdf-examples/kurdish-sample-2.pdf" # 替换为你的PDF文件路径
cleaned_content = extract_and_clean_all_text(pdf_file)
print("\n--- 清洗行首数字后的提取内容 ---")
print(cleaned_content[:200])