如何使用 pdfminer3k 读取 pdf 文件？

Posted 2023-02-24

【中文标题】如何使用 pdfminer3k 读取 pdf 文件？

【英文标题】：How to read pdf file using pdfminer3k?

【发布时间】：2017-10-16 21:46:03

【问题描述】：

我正在使用 python 3.5，我想从 pdf 文件中逐行读取文本。试图使用pdfminer3k，但在任何地方都没有得到正确的语法。 如何正确使用？

【参考方案1】：

我已经更正了 Lisa 的代码。现在可以了！

    fp = open(path, 'rb')
    from pdfminer.pdfparser import PDFParser, PDFDocument
    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
    from pdfminer.converter import PDFPageAggregator
    from pdfminer.layout import LAParams, LTTextBox, LTTextLine

    parser = PDFParser(fp)
    doc = PDFDocument()
    parser.set_document(doc)
    doc.set_parser(parser)
    doc.initialize('')
    rsrcmgr = PDFResourceManager()
    laparams = LAParams()
    laparams.char_margin = 1.0
    laparams.word_margin = 1.0
    device = PDFPageAggregator(rsrcmgr, laparams=laparams)
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    extracted_text = ''

    for page in doc.get_pages():
        interpreter.process_page(page)
        layout = device.get_result()
        for lt_obj in layout:
            if isinstance(lt_obj, LTTextBox) or isinstance(lt_obj, LTTextLine):
                extracted_text += lt_obj.get_text()

【讨论】：

你能补充一些关于你的代码和 Lise 的区别的描述吗？

extracted_text += string 改为extracted_text += lt_obj.get_text()。

This answer 对上面的代码进行了一些更正。我还删除了 doc.set_parser 和 doc.initialize 行以使其正常工作。

【参考方案2】：

我使用的是 python 3.4，但我猜它与 python 3.5 的工作方式相同。 这是我使用的：

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox, LTTextLine

parser = PDFParser(file_content)
doc = PDFDocument()
parser.set_document(doc)
doc.set_parser(parser)
doc.initialize('')
rsrcmgr = PDFResourceManager()
laparams = LAParams()
#I changed the following 2 parameters to get rid of white spaces inside words:
laparams.char_margin = 1.0
laparams.word_margin = 1.0
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
extracted_text = ''

# Process each page contained in the document.
for page in doc.get_pages():
    interpreter.process_page(page)
    layout = device.get_result()
    for lt_obj in layout:
        if isinstance(lt_obj, LTTextBox) or isinstance(lt_obj, LTTextLine):
            extracted_text += string

with open('convertedFile.txt',"wb") as txt_file:
    txt_file.write(extracted_text.encode("utf-8"))

【讨论】：

将“字符串”替换为“lt_obj.get_text()”