PDF到TEXT以错误的方式转换

Question

我使用pdfminer从许多PDF文件中提取文本。 某些pdf文件的结果文本文件很奇怪，每行只包含一个字符。 不是所有的PDF文件，而是其中的一些，我仍然无法找出原因以及哪些PDF文件会导致此问题。

这是我的代码：

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()

    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = file(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

并且this处于导致此问题的PDF文件中。

修改

我尝试过tika，但是因为我使用的是Django，所以它给出了一个问题。

非常感谢

Answer 1

使用tika它可以为我提供更好的结果。

from tika import parser
def pdf_parser_tika(file_pointer):
        parsed = parser.from_file(file_pointer)
        return parsed["content"]