Ich möchte mit PDFminer Text aus einer PDF in eine Textdatei extrahieren. Ich habe den Code gefunden, aber ich habe keine Ahnung, wie man ihn benutzt.

Question

Dies ist der Code, den ich irgendwo hier gefunden habe. Ich habe keine Ahnung, wie man es benutzt. Kann mir jemand dies erklären und mir helfen, ein Beispiel pdf zu konvertieren?

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

def convert_pdf_to_txt(path): 
    rsrcmgr = PDFResourceManager() 
    retstr = StringIO() 
    codec = 'utf-8' 
    laparams = LAParams() 
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams) 
    fp = file(path, 'rb') 
    interpreter = PDFPageInterpreter(rsrcmgr, device) 
    password = "" 
    maxpages = 0 
    caching = True 
    pagenos=set() 

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True): 
     interpreter.process_page(page) 

    text = retstr.getvalue() 

    fp.close() 
    device.close() 
    retstr.close() 
    return text 

Answer 1

Wenn Sie pdfminer verwenden und den Code von ihrer Seite verwenden und deren Dokumentation lesen https://www.binpress.com/tutorial/manipulating-pdfs-with-python/167:

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

def convert(fname, pages=None): 
    if not pages: 
     pagenums = set() 
    else: 
     pagenums = set(pages) 

    output = StringIO() 
    manager = PDFResourceManager() 
    converter = TextConverter(manager, output, laparams=LAParams()) 
    interpreter = PDFPageInterpreter(manager, converter) 

    infile = file(fname, 'rb') 
    for page in PDFPage.get_pages(infile, pagenums): 
     interpreter.process_page(page) 
    infile.close() 
    converter.close() 
    text = output.getvalue() 
    output.close 
    return text 

Ich glaube nicht, Sie Probleme mit haben sollte:

def konvertieren (fname, pages = None): das ist im Grunde das pDF konvertiert für Sie

Verwendung wie folgt:

some_variable = convert("filename.pdf") 
print(some_variable) 
#do something with your variable 

Ihr Beispiel pdf mit:

Answer 2

schließlich fand ich einen Weg, um dieses. Die beste Bibliothek ist der PDfminer mit wenig Modifikation in pdf2txt.py zur effektiven Nutzung. pdf2text.py in pdfminer/tools

befindet PDfminer Einsatz auf Terminal

pip install PDfminer 

---

from cStringIO import StringIO 
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter 
from pdfminer.converter import TextConverter 
from pdfminer.layout import LAParams 
from pdfminer.pdfpage import PDFPage 
import re 

def convert(fname): 
    pages=None 
    if not pages: 
     pagenums = set() 
    else: 
     pagenums = set(pages) 

    output = StringIO() 
    manager = PDFResourceManager() 
    converter = TextConverter(manager, output, laparams=LAParams()) 
    interpreter = PDFPageInterpreter(manager, converter) 

    infile = file(fname, 'rb') 
    for page in PDFPage.get_pages(infile, pagenums): 
     interpreter.process_page(page) 
    infile.close() 
    converter.close() 
    text = output.getvalue() 
    output.close 
    print text 

    # write Content to .txt 
    text_file = open("Output_1.txt", "w") 
    text = re.sub("\s\s+", " ", text) 
    text_file.write("%s" % text) 
    text_file.close() 

convert("xyz.pdf")