如何在 python 中返回从多个 PDF 中提取的所有文本？

Question

这是我的代码。到目前为止，它会将 pdf 的所有内容打印到 pages 变量。但是，我似乎无法返回相同的提取文本。我一直在通过从随机 pdf 中提取信息并将其放在我正在调用的文件夹中来测试它。如何让它以与打印文本相同的方式返回提取的文本？import osimport PyPDF2 as pdfimport pandas as pddef scan_files(root):    for path, subdirs, files in os.walk(root):        for name in files:            if name.endswith('.pdf'):                #print(name)                pdf = PyPDF2.PdfFileReader(os.path.join(path,name))                numPages = pdf.getNumPages()                for p in range(0, numPages):                        pages = ''                        page = pdf.getPage(p)                        pages += page.extractText()                        pages = pages.replace('\n', '')                        #print(pages)                        return pages

Answer 1

打印文本将允许最后一个 for 循环迭代（使用您提到的“打印（页面）”）。然而，返回页面将终止正在运行的循环，并吐出它到目前为止覆盖的文本。尝试使用类似的东西：

def scan_files(root):

    pdftext = ''

    for path, subdirs, files in os.walk(root):

        for name in files:

            if name.endswith('.pdf'):

                #print(name)

                pdf = PyPDF2.PdfFileReader(os.path.join(path,name))

                numPages = pdf.getNumPages()

                

                pages = ''                    

                for p in range(0, numPages):

                    page = pdf.getPage(p)

                    pages += page.extractText()

                    pages = pages.replace('\n', '')

                pdftext += pages

    return pdftext