在Python中从PDF文件提取文本

Question

我正在尝试从通常需要在工作中处理的pdf文件中提取文本，以便可以将其自动化。

使用PyPDF2时，例如它适用于我的简历，但不适用于我的工作文档。问题是文本是这样的：“ Helloworldthisisthetext”。然后，我尝试使用.join（“”），但这不起作用。

我了解到这是PyPDF2的一个已知问题-它似乎取决于pdf的构建方式。

有人知道另一种方法如何从其中提取文本，然后我可以将其用于进一步的步骤？

提前谢谢

Answer 1

我建议您尝试其他工具-pdfreader。您可以提取纯字符串和“ PDF markdown”（解码的文本字符串+运算符）。 “ PDF markdown”可以解析为常规文本（例如，带有正则表达式）。

下面您将找到步行页面和提取PDF内容以进行进一步分析的代码示例。

from pdfreader import SimplePDFViewer, PageDoesNotExist

fd = open(your_pdf_file_name, "rb")
viewer = SimplePDFViewer(fd)

try:
    while True:
        viewer.render()
        pdf_markdown = viewer.canvas.text_content
        result = my_text_parser(pdf_markdown)
        # The one below will probably be the same as PyPDF2 returns        
        plain_text += "".join(viewer.canvas.strings)
        viewer.next()
except PageDoesNotExist:
    pass

...

def my_text_parser(text):
    """ Code your parser here """
    ...

pdf_markdown 变量包含所有文本，包括PDF命令（定位，显示）：所有字符串都放在方括号中，后跟 Tj 或 TJ 运算符。 有关PDF文本运算符的更多信息，请参见PDF 1.7 sec. 9.4 Text Objects

例如，您可以使用正则表达式对其进行解析。

Answer 2

在工作中，我有一个类似的要求，我使用了PyMuPDF。他们还提供了一些食谱，涵盖了文本提取的典型方案。