1.获取pdf单页，及所有内容
import fitz # PyMuPDF# 打开 PDF 文件
pdf_path = r"/data2/ljsang/0106/0725_Self-organization-of-plasticity-and-specialization-in-a-primi_2022_Cell-Syst.pdf【唯一淘宝店铺：艾米学社】.pdf"
doc = fitz.open(pdf_path)# 获取第一页
page = doc.load_page(0)# 提取页面中的文本信息（以字典形式返回）
text_dict = page.get_text("dict")# 遍历文本块
for block in text_dict["blocks"]:# 检查是否为文本块（type == 0）if block["type"] == 0: # 0 表示文本块# 遍历行for line in block["lines"]:# 遍历字符片段for span in line["spans"]:text = span["text"] # 文本内容font_size = span["size"] # 字号大小font_name = span["font"] # 字体名称print(f"文本: {text}, 字号: {font_size}, 字体: {font_name}")else:print(f"跳过非文本块，类型: {block['type']}")
import fitz # PyMuPDF# 定义 PDF 文件路径
pdf_path = r"/data2/66.pdf"# 打开 PDF 文件
with fitz.open(pdf_path) as pdf:# 获取 PDF 的总页数total_pages = len(pdf)print(f"PDF 文件总页数: {total_pages}")# 遍历每一页for page_num in range(total_pages):print(f"正在处理的页码为 {page_num + 1}...")# 获取当前页page = pdf.load_page(page_num)# 提取文本内容text = page.get_text("text")if text:print("提取的文本内容:")print(text)else:print("该页无文本内容。")
2.获取每篇pdf内容，以及DOI号
import fitz # PyMuPDF
import re
import os# 正则表达式匹配 DOI 号
doi_pattern = re.compile(r'https?://(?:dx\.)?doi\.org/10\.\d{4}/[^/\s]+')# 检查 PDF 是否包含 DOI 号
has_doi = False
doi_numbers = []# PDF 文件路径
pdf_path = r"/data2/ljsang/0106/0725_Self-organization-of-plasticity-and-specialization-in-a-primi_2022_Cell-Syst.pdfπÇÉσö»Σ╕ǵ╖ÿσ«¥σ║ùΘô║∩╝ÜΦë╛τ▒│σ¡ªτñ╛πÇæ.pdf"# 使用 fitz 打开 PDF 文件
pdf_document = fitz.open(pdf_path)# 遍历每一页
for page_num in range(len(pdf_document)):page = pdf_document.load_page(page_num) # 加载页面text = page.get_text() # 提取文本内容# 检查文本中是否包含 DOI 号if text:dois = doi_pattern.findall(text)if dois:has_doi = Truedoi_numbers.extend(dois)# 输出结果
print("DOI 号列表:", doi_numbers)
print("是否包含 DOI 号:", has_doi)
