from spire.pdf.common import *
from spire.pdf import *
import osdef extract_text_from_pdf(pdf_path, output_dir, is_simple_extraction=True):# 创建一个 PDF 文档对象pdf = PdfDocument()# 加载 PDF 文件pdf.LoadFromFile(pdf_path)# 确保输出目录存在if not os.path.exists(output_dir):os.makedirs(output_dir)# 创建一个TXT文件来保存提取的文本extracted_text_path = os.path.join(output_dir, "extract_text.txt")extractedText = open(extracted_text_path, "w", encoding="utf-8")# 创建PdfTextExtractOptions 对象extractOptions = PdfTextExtractOptions()extractOptions.IsSimpleExtraction = is_simple_extraction# 遍历文档的每一页for i in range(pdf.Pages.Count):# 获取页面page = pdf.Pages.get_Item(i)# 创建PdfTextExtractor 对象textExtractor = PdfTextExtractor(page)# 从页面提取文本text = textExtractor.ExtractText(extractOptions)# 将文本写入TXT文件extractedText.write(text)# 释放资源extractedText.close()pdf.Close()# 调用函数，确保路径正确
extract_text_from_pdf('input\\BLIP-2.pdf', "./text", is_simple_extraction=True)

最开始我用的spire pdf 直接提取 发现输出的文本格局会和原来pdf格局一样导致出现文本顺序混乱

from spire.pdf.common import *
from spire.pdf import *
import osdef extract_text_from_pdf(pdf_path, output_dir, is_simple_extraction=True):# 创建一个 PDF 文档对象pdf = PdfDocument()# 加载 PDF 文件pdf.LoadFromFile(pdf_path)# 确保输出目录存在if not os.path.exists(output_dir):os.makedirs(output_dir)# 创建一个TXT文件来保存提取的文本extracted_text_path = os.path.join(output_dir, "extract_text.txt")extractedText = open(extracted_text_path, "w", encoding="utf-8")# 创建PdfTextExtractOptions 对象extractOptions = PdfTextExtractOptions()extractOptions.IsSimpleExtraction = is_simple_extraction# 遍历文档的每一页for i in range(pdf.Pages.Count):# 获取页面page = pdf.Pages.get_Item(i)# 创建PdfTextExtractor 对象textExtractor = PdfTextExtractor(page)# 从页面提取文本text = textExtractor.ExtractText(extractOptions)# 将文本写入TXT文件extractedText.write(text)# 释放资源extractedText.close()pdf.Close()# 调用函数，确保路径正确
extract_text_from_pdf('input\\BLIP-2.pdf', "./text", is_simple_extraction=True)

只要设置PdfTextExtractOptions.IsSimpleExtraction = True 就可以实现按照pdf文字输入顺序提取文字         想法来源：Python 从 PDF 文档中提取文本