Question

我想使用python3的pdfminer.six提取pdf。问题在于根本没有好的文档，也没有关于如何使用它的源代码示例。

我已经尝试过StackOverflow的一些代码，但是没有用。我的代码如下。

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

我想要一些代码示例，说明如何使用它从pdf获取数据。

Answer 1

安装pdfminer.six或pdfminer3（https://github.com/gwk/pdfminer3/）安装：pip install pdfminer3 我从3.6升级到3.7时切换到pdfminer3 我在python 3.7.3上的ubuntu和macos上使用

pdfminer3带有两个方便的工具：pdf2txt.py和dumppdf.py 检查源。很小，很容易理解。

以下是一个可行的示例（一旦添加了pdf文件的位置）

from pdfminer3.layout import LAParams, LTTextBox
from pdfminer3.pdfpage import PDFPage
from pdfminer3.pdfinterp import PDFResourceManager
from pdfminer3.pdfinterp import PDFPageInterpreter
from pdfminer3.converter import PDFPageAggregator

resource_manager = PDFResourceManager()
fake_file_handle = io.StringIO()
converter = TextConverter(resource_manager, fake_file_handle)
page_interpreter = PDFPageInterpreter(resource_manager, converter)

with open('/path/to/file.pdf', 'rb') as fh:

    for page in PDFPage.get_pages(fh,
                                  caching=True,
                                  check_extractable=True):
        page_interpreter.process_page(page)

    text = fake_file_handle.getvalue()

# close open handles
converter.close()
fake_file_handle.close()

print(text)

如何在python 3中使用PDFminer.six？

1 个答案: