Извлечение текста из PDF-файла с помощью PDFMiner в python?
Python Версии 2.7
Я ищу документацию или примеры извлечения текста из PDF-файла с помощью PDFMiner с Python.
похоже, 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, используют старый синтаксис PDFMiner, поэтому я не уверен, как это сделать этот.
Как есть, я просто смотрю на исходный код, чтобы увидеть, могу ли я понять это.
2 ответов
вот рабочий пример извлечения текста из PDF-файла с использованием текущей версии PDFMiner (сентябрь 2016)
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.
редактировать: 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 установили 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