python - 如何使用 Python 从 PDF 文件中读取简单文本？

Question

需要解析 PDF 文件以便仅提取文本的第一行，并寻找不同的 Python 包来完成这项工作，但没有任何运气。

尝试过：

• PDFminer，PDFminer.six和PDFminer3k，对于简单的工作来说似乎过于复杂，我无法找到一个简单的工作示例

• slate，安装时出错，虽然使用线程修复，但尝试时出错；可能使用了错误的 PDFminer，但不知道该使用哪个

• PyPDF2和PyPDF3但这些给出了垃圾，如此处所述

• tika，它给出了不同的终端错误消息并且非常慢

• pdftotext安装失败

• pdf2textpip list在“import pdf2text”时失败，当更改为“pdftotext”时，即使显示安装了“Extractor”，也无法导入“ImportError: cannot import name 'Extractor'”

通常我发现安装的 Python 包运行得非常好，但是将 PDF 解析为文本似乎是一个丛林，无数的工具也表明了这一点。

关于如何在 Python 中将 PDF 文件简单解析为文本的任何建议？

添加了 PyPDF2 示例

PyPDF2 的一个例子是：

import PyPDF2
pdfFileObj = open('file.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj_0 = pdfReader.getPage(0)
print(pageObj_0.extractText())

它将垃圾返回为：

$%$%&%&$'('~!)"*+#

标签： pythonpython-3.xpdftext

Answer 1

基于 pdfminer，我能够将pdf2txt.py脚本（由 pdfminer 提供）中的基本必要性提取到一个函数中：

import io

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

def pdf_to_text(path):
    with open(path, 'rb') as fp:
        rsrcmgr = PDFResourceManager()
        outfp = io.StringIO()
        laparams = LAParams()
        device = TextConverter(rsrcmgr, outfp, laparams=laparams)
        interpreter = PDFPageInterpreter(rsrcmgr, device)
        for page in PDFPage.get_pages(fp):
            interpreter.process_page(page)
    text = outfp.getvalue()
    return text