Извлечение текста из PDF-файла с помощью PDFMiner в python?


Python Версии 2.7

Я ищу документацию или примеры того, как извлечь текст из PDF-файла с помощью PDFMiner с Python.

похоже, что PDFMiner обновил свой API, и все соответствующие примеры, которые я нашел, содержат устаревший код(классы и методы изменились). Библиотеки, которые я нашел, облегчают задачу извлечения текста из PDF-файла, используя старый синтаксис PDFMiner, поэтому я не уверен, как это сделать этот.

Как это, я просто смотрю на исходный код, чтобы увидеть, если я могу выяснить это.

2 55

2 ответа:

вот рабочий пример извлечения текста из PDF-файла с использованием текущей версии PDFMiner(сентябрь 2016 года)

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

структура PDFMiner недавно изменилась, поэтому это должно работать для извлечения текста из PDF-файлов.

Edit: все еще работает по состоянию на 7 июня 2018 года. Проверено в Python версии 3.x

потрясающий ответ от DuckPuncher, для Python3 убедитесь, что вы устанавливаете pdfminer2 и делаете:

import io

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage


def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = io.StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos = set()

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages,
                                  password=password,
                                  caching=caching,
                                  check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text