Question

我想从pdf文件中提取文本。但是，当我提取下面的代码时，返回的文本如下：

section text text text text text text text text
text text text text text text text text

但是我希望该部分带有普通的缩进：

                 Section
text text text text text text text text
text text text text text text text text

遵循示例：

import io

from pdfminer.converter import TextConverter
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfpage import PDFPage

def extract_text_by_page(pdf_path):
    with open(pdf_path, 'rb') as fh:
        for page in PDFPage.get_pages(fh, 
                                      caching=True,
                                      check_extractable=True):
            resource_manager = PDFResourceManager()
            fake_file_handle = io.StringIO()
            converter = TextConverter(resource_manager, fake_file_handle)
            page_interpreter = PDFPageInterpreter(resource_manager, converter)
            page_interpreter.process_page(page)

            text = fake_file_handle.getvalue()
            yield text

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

def extract_text(pdf_path):
    for page in extract_text_by_page(pdf_path):
        print(page)
        print()

if __name__ == '__main__':
    print(extract_text('w9.pdf'))

是否可以使用pdfminer做到这一点？

Answer 1

TextConverter用于将pdf转换为纯文本，而不考虑元素的位置。其背后的原因是，即使使用等宽字体，也很难使用纯文本准确地呈现pdf中的文本位置。

HtmlConverter和XMLConverter输出一个包含文本和文本位置的文件。也许您可以使用此输出来创建所需的结果。

如果您的需求更加具体，您也可以考虑编写自己的PDFConverter。这使您可以控制所有内容，包括页面的开始和结束，渲染图像，绘制多边形路径以及将文本写入特定位置。

如何从pdf中提取带有缩进的文本？

1 个答案: