如何使用 Python 从 PDF 文件中读取简单文本？

Posted 2023-02-24

【中文标题】如何使用 Python 从 PDF 文件中读取简单文本？

【英文标题】：How to read simple text from a PDF file with Python?

【发布时间】：2020-05-10 16:07:07

【问题描述】：

需要解析一个 PDF 文件以便只提取文本的前几行，并寻找不同的 Python 包来完成这项工作，但没有任何运气。

试过了：

PDFminer、PDFminer.six 和 PDFminer3k，对于简单的工作来说似乎过于复杂，我找不到简单的工作示例

slate，在安装中得到了error，虽然可以从线程修复，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 但这些会产生垃圾，如 here 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

pdf2text 在“导入 pdf2text”时失败，当更改为“pdftotext”时无法导入“ImportError: cannot import name 'Extractor'”，即使pip list 显示已安装“Extractor”

通常我发现已安装的 Python 包运行良好，但将 PDF 解析为文本似乎是一个丛林，无数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有什么建议吗？

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())

返回垃圾为：

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

【问题讨论】：

请不要关闭这个问题...我只是寻找一些有效的 Python 代码...如果 SO 不是为了那个，那它有什么用？

【参考方案1】：

基于 pdfminer，我能够将 pdf2txt.py 脚本（pdfminer 提供）中的基本必需品提取到一个函数中：

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

【讨论】：

我发现这个解决方案运行良好，但是如果您将输出与原始 pdf 文件进行比较，您会发现差异。句子被删减并重新排序。缺句等的段落

@Kamil 我想知道这些问题是特定 pdf 文件本身的产物还是它最初是如何创建的结果

@oldboy，这是个好问题。我在解析 PDF 时运气不佳。实际上，我发现将 PDF 转换为简单的 word 或 txt 文件，然后应用解析算法效果更好。这仅适用于解析单词，因为一旦您处理除文本（即图像）之外的任何其他内容，该过程就会中断。

【参考方案2】：

@EquipDev 您的解决方案实际上对我来说效果很好，尽管它是制表符分隔而不是空格。我将对最后一行进行一些更改：

return text.replace('\t', ' ')#用空格替换制表符