在实际的文件处理场景中，我们常常需要从PDF文档里提取文本内容，但很多时候不需要提取全部页码的内容，比如要跳过封面、目录或者附录部分，这时候就需要实现带页码过滤的PDF文本提取功能。基于Python的PyPDF2库可以很方便地完成这个需求，整个过程不需要复杂的额外依赖，适合大多数常规PDF文件的处理。
环境准备
首先需要安装处理PDF的核心库PyPDF2，使用pip命令即可完成安装：
pip install PyPDF2
核心实现逻辑
整个提取流程可以分为三个步骤：
- 读取目标PDF文件，获取文件的总页码数
- 遍历所有页码，判断当前页码是否属于需要排除的页码集合
- 对不需要排除的页码，提取对应的文本内容并拼接成最终结果
完整代码示例
下面是完整的实现代码，支持自定义需要排除的页码列表，最终返回过滤后的全部文本内容：
import PyPDF2
def extract_pdf_text_exclude_pages(pdf_path, exclude_pages):
"""
从PDF中提取文本，排除指定页码的内容
:param pdf_path: PDF文件路径
:param exclude_pages: 需要排除的页码列表，页码从1开始计数
:return: 提取后的文本内容字符串
"""
# 打开PDF文件
with open(pdf_path, "rb") as file:
pdf_reader = PyPDF2.PdfReader(file)
total_pages = len(pdf_reader.pages)
result_text = ""
# 遍历所有页码，页码从1开始
for page_num in range(1, total_pages + 1):
# 判断当前页码是否需要排除
if page_num in exclude_pages:
continue
# 获取当前页对象，页码索引从0开始，所以需要减1
page = pdf_reader.pages[page_num - 1]
# 提取当前页文本并拼接
result_text += page.extract_text()
return result_text
# 使用示例
if __name__ == "__main__":
# 定义需要排除的页码，比如排除第1页封面和第2页目录
exclude_pages = [1, 2]
# 调用函数提取文本
text = extract_pdf_text_exclude_pages("test.pdf", exclude_pages)
# 打印提取结果
print(text)
注意事项
使用上述方案时需要注意几个问题：
- PyPDF2对部分扫描版PDF或者加密PDF的支持有限，这类文件可能无法正常提取文本，需要提前确认PDF的类型
- 页码计数是从1开始的，和日常阅读习惯一致，传入排除页码列表时不需要做索引转换
- 如果PDF的页码和实际内容页码不一致，比如存在罗马数字编号的前言页，需要先确认实际内容对应的页码再设置排除列表
扩展说明
如果需要处理更复杂的页码排除规则，比如排除某个页码区间，可以修改判断逻辑，比如排除3到5页的需求可以改成：
# 排除3到5页的逻辑示例
if 3 <= page_num <= 5:
continue
也可以将排除规则抽象成函数传入，提升代码的灵活性，适配更多不同的业务场景。