python - 如何根据我要查找的字符串使用 PDFMiner 提取 pdf 页面？

Question

我正在尝试使用 PDFminer 和 Python 2.7 提取特定页面。

我目前能够根据页码提取页面，但无法根据我试图在 pdf 文档中查找的特定字符串提取页面。我可以用 PyPDF2 做到这一点，但是从页面中提取的内容不如 PDFminer 干净，所以我决定改用它。使用 PDFminer 的文本效果更好。

这是我目前来自 PDFminer 的代码：'''

base_path = "/Users/username/Documents"

my_file = os.path.join(base_path + "/" + "Personal-Auto-Policy.pdf")
log_file = os.path.join(base_path + "/" + "Output3.txt")

password = ""
extracted_text = ""

fp = open(my_file, "rb")
parser = PDFParser(fp)

document = PDFDocument(parser, password)

if not document.is_extractable:
    raise PDFTextExtractionNotAllowed

rsrcmgr = PDFResourceManager()
laparams = LAParams()

device = PDFPageAggregator(rsrcmgr, laparams=laparams)

interpreter = PDFPageInterpreter(rsrcmgr,device)

target = ""

NumPages = PDFPage.get_pages(fp)


for pageNumber, page in enumerate(NumPages):
    for line in str(page):
        if("296 S 468211" in line):
            interpreter.process_page(page)

            layout = device.get_result()

            for lt_obj in layout:
                if isinstance(lt_obj, LTTextBox) or isinstance(lt_obj, LTTextLine):
                    extract_text = lt_obj.get_text()

fp.close()

with open(log_file, "wb") as my_log:
    my_log.write(extracted_text.encode('utf-8'))
print("Target page extraction success!")

'''

当我运行它时，我没有得到预期的输出，但如果我用 PyPDF2 做类似的事情，它会抓取正确的页面。正如我之前所说，PyPDF2 的文本提取不是最好的，所以我更喜欢使用 PDFminer。

标签： pythonpypdf2pdfminer