时间戳

首页 > 解决方案 > 使用 pdfminer.six 从每个 PDF 页面中提取文本

python - 使用 pdfminer.six 从每个 PDF 页面中提取文本

问题描述

pdfminer 的文档充其量是很差的。我最初使用 pdfminer 并让它适用于一些 PDF 文件，然后我遇到了一些错误并意识到我应该使用 pdfminer.six

我想从 PDF 的每一页中提取文本，这样我就可以密切关注我在哪里找到了特定的单词等。

使用文档：

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice

# Open a PDF file.
fp = open('mypdf.pdf', 'rb')
# Create a PDF parser object associated with the file object.
parser = PDFParser(fp)
# Create a PDF document object that stores the document structure.
# Supply the password for initialization.
document = PDFDocument(parser, password)
# Check if the document allows text extraction. If not, abort.
if not document.is_extractable:
    raise PDFTextExtractionNotAllowed
# Create a PDF resource manager object that stores shared resources.
rsrcmgr = PDFResourceManager()
# Create a PDF device object.
device = PDFDevice(rsrcmgr)
# Create a PDF interpreter object.
interpreter = PDFPageInterpreter(rsrcmgr, device)
# Process each page contained in the document.
for page in PDFPage.create_pages(document):
    interpreter.process_page(page)

我们已经解析了所有页面，但没有关于如何从 PDFpage 获取哪些元素或任何内容的文档

我查看了 PDFPage.py 文件，寻找一种从每个 PDF 页面中提取文本的方法，当然这并不是那么简单。

更复杂的是，至少有 3 个版本的 pdfminer，当然随着时间的推移，事情已经升级，所以我能找到的任何示例都不兼容。

标签： pythonparsingpdfpdfminer

解决方案

这是我用于从 pdf 文件中提取文本的版本。

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_from_pdf(pdf_path):
    """
    This function extracts text from pdf file and return text as string.
    :param pdf_path: path to pdf file.
    :return: text string containing text of pdf.
    """
    resource_manager = PDFResourceManager()
    fake_file_handle = io.StringIO()
    converter = TextConverter(resource_manager, fake_file_handle)
    page_interpreter = PDFPageInterpreter(resource_manager, converter)

    with open(pdf_path, '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()

    if text:
        return text
    return None

推荐阅读