在 Python 3.4 中从 PDF 中提取文本的最佳工具 [关闭]

Posted 2023-02-24

【中文标题】在 Python 3.4 中从 PDF 中提取文本的最佳工具 [关闭]

【英文标题】：Best tool for text extraction from PDF in Python 3.4 [closed]

【发布时间】：2015-12-16 12:15:38

【问题描述】：

我使用的是 Python 3.4，需要从 PDF 中提取所有文本，然后将其用于文本处理。

我看到的所有答案都建议了 Python 2.7 的选项。

我需要 Python 3.4 中的一些东西。

邦森

【问题讨论】：

不知道为什么投反对票。正如我所提到的，我检查了所有可用的，也在谷歌上。我发现可以与 Python 3.4 一起使用的唯一一个是在这个 xPDF detail 中，所有其他的都是 2.7 版。我在 Python 3.4 版上一无所获。要求在投反对票时也发表评论。

这是一个很好但公然离题的问题。使用SoftwareRecs 进行图书馆推荐。

你可以试试这个解决方案，它在 python 3 Link 中运行良好

pdfplumber 是最好的选择。 [Reference]

【参考方案1】：

import pdfreader
pdfFileObj = open('/tmp/Test-test-test.pdf','rb')
viewer = SimplePDFViewer(pdfFileObject)
viewer.navigate(1)
viewer.render()
viewer.canvas.strings

【参考方案2】：

slate3k 非常适合提取文本。我已经使用 Python 3.7.3 对几个 PDF 文件进行了测试，例如，它比 PyPDF2 准确得多。它是 slate 的一个分支，它是 PDFMiner 的包装器。这是我正在使用的代码：

import slate3k as slate

with open('Sample.pdf', 'rb') as f:
    doc = slate.PDF(f)

doc
#prints the full document as a list of strings
#each element of the list is a page in the document

doc[0]
#prints the first page of the document

感谢 GitHub 上的此评论： https://github.com/mstamy2/PyPDF2/issues/437#issuecomment-400491342

【参考方案3】：

补充 @Sarah 的 答案。 PDFMiner 是一个不错的选择。我已经使用它很长一段时间了，直到现在它在从 PDF 中提取文本内容方面效果很好。我所做的是创建一个使用CLI client from pdfminer 的函数，然后将输出保存到一个变量中（稍后我可以在其他地方使用）。我使用的 Python 版本是 3.6，该函数运行良好并且可以完成所需的工作，所以也许这对你有用：

def pdf_to_text(filepath):
    print('Getting text content for ...'.format(filepath))
    process = subprocess.Popen(['pdf2txt.py', filepath], stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
    stdout, stderr = process.communicate()

    if process.returncode != 0 or stderr:
        raise OSError('Executing the command for  caused an error:\nCode: \nOutput: \nError: '.format(filepath, process.returncode, stdout, stderr))

    return stdout.decode('utf-8')

您当然必须导入子流程模块：import subprocess

【参考方案4】：

pdfminer.six (https://github.com/pdfminer/pdfminer.six) 也已在其他地方推荐，旨在支持 Python 3。但我不能亲自担保，因为它在安装 MacOS 期间失败。 （有一个未解决的问题，它似乎是最近的问题，所以可能会有一个快速修复。）

【参考方案5】：

您需要安装 PyPDF2 模块才能在 Python 3.4 中处理 PDF。 PyPDF2 不能提取图像、图表或其他媒体，但它可以提取文本并将其作为 Python 字符串返回。要安装它，请从命令行运行 pip install PyPDF2。此模块名称区分大小写，因此请确保输入小写的“y”，所有其他字符均输入大写。

>>> import PyPDF2
>>> pdfFileObj = open('my_file.pdf','rb')     #'rb' for read binary mode
>>> pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
>>> pdfReader.numPages
56
>>> pageObj = pdfReader.getPage(9)          #'9' is the page number
>>> pageObj.extractText()

最后一条语句返回“my_file.pdf”文档第 9 页中可用的所有文本。

【讨论】：

嗨，Ritesh，你很可能知道这个问题的答案。 Question.

轻微修正 - 认为应该在第二行的 open 命令中引用 "rb" 而不仅仅是 rb。

此外，pypdf2 中的页面是零索引的，即getPage(9) 将为您提供第 10 页。 pypdf2完全忽略了原始文档中的页码。

注意：a）在 Py3 中不支持，b）如果它有一个不可解析的 unicode（例如 " ）github.com/mstamy2/PyPDF2/issues/37 并且它是不可预测的，正如上面其他人所评论的那样，它会忽略整个单词。它是一个很好的工具，但遗憾的是不适用于生产代码:(

2 年了，他们还没有修复这个错误github.com/mstamy2/PyPDF2/issues/254 我更愿意找到一个得到适当支持的包。这个不能处理python 3。