12

使用下面的代码片段，我尝试从这个PDF 文件中提取文本数据。

import pyPdf

def get_text(path):
    # Load PDF into pyPDF
    pdf = pyPdf.PdfFileReader(file(path, "rb"))
    # Iterate pages
    content = ""
    for i in range(0, pdf.getNumPages()):
        content += pdf.getPage(i).extractText() + "\n"  # Extract text from page and add to content
    # Collapse whitespace
    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content

但是，我获得的输出在大多数单词之间没有空格。这使得对文本进行自然语言处理变得困难（我的最终目标，在这里）。

此外，“手指”一词中的“fi”一直被解释为其他东西。这是相当有问题的，因为这篇论文是关于自发的手指运动......

有谁知道为什么会发生这种情况？我什至不知道从哪里开始！

4

7 回答 7

18

在不使用 PyPdf2 的情况下，使用具有相同功能的 Pdfminer 库包，如下所示。我从中得到了代码，并且我想编辑它，这段代码给了我一个文本文件，其中单词之间有空格。我使用 anaconda 和 python 3.6。要为 python 3.6 安装 PdfMiner，您可以使用此链接。

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

class PdfConverter:

   def __init__(self, file_path):
       self.file_path = file_path
# convert pdf file to a string which has space among words 
   def convert_pdf_to_txt(self):
       rsrcmgr = PDFResourceManager()
       retstr = StringIO()
       codec = 'utf-8'  # 'utf16','utf-8'
       laparams = LAParams()
       device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
       fp = open(self.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)
       fp.close()
       device.close()
       str = retstr.getvalue()
       retstr.close()
       return str
# convert pdf file text to string and save as a text_pdf.txt file
   def save_convert_pdf_to_txt(self):
       content = self.convert_pdf_to_txt()
       txt_pdf = open('text_pdf.txt', 'wb')
       txt_pdf.write(content.encode('utf-8'))
       txt_pdf.close()
if __name__ == '__main__':
    pdfConverter = PdfConverter(file_path='sample.pdf')
    print(pdfConverter.convert_pdf_to_txt())
于 2018-01-26T09:16:06.593 回答
10

作为 PyPDF2 的替代方案，我建议pdftotext：

#!/usr/bin/env python

"""Use pdftotext to extract text from PDFs."""

import pdftotext

with open("foobar.pdf") as f:
    pdf = pdftotext.PDF(f)

# Iterate over all the pages
for page in pdf:
    print(page)
于 2017-07-14T12:28:57.823 回答
7

您的 PDF 文件没有可打印的空格字符，它只是将单词放在需要的位置。您将不得不做额外的工作来找出空格，也许通过假设多字符运行是单词，并在它们之间放置空格。

如果您可以在 PDF 阅读器中选择文本，并且正确显示空格，那么至少您知道有足够的信息来重构文本。

“fi”是一个印刷连字，显示为单个字符。您可能会发现“fl”、“ffi”和“ffl”也会发生这种情况。您可以使用字符串替换将“fi”替换为 fi 连字。

于 2012-06-18T17:29:40.923 回答
5

PyPDF 不读取换行符。

所以使用 PyPDF4

使用安装它

pip install PyPDF4

并以此代码为例

import PyPDF4
import re
import io

pdfFileObj = open(r'3134.pdf', 'rb')
pdfReader = PyPDF4.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(1)
pages_text = pageObj.extractText()

for line in pages_text.split('\n'):
    #if re.match(r"^PDF", line):
    print(line)
于 2019-05-24T11:00:21.243 回答
1

我在这里尝试给出答案，但它对我不起作用。在我的情况下，以下工作：

from pdf2image import convert_from_path
import pytesseract

images = convert_from_path("sample.pdf")
for i,image in enumerate(images,start=1):
    image.save(f"./images/page_{i}.jpg","JPEG")

print(pytesseract.image_to_string("./images/page_1.jpg"))

这里的想法是首先将 PDF 转换为图像，然后从中读取文本。这种方法保留了空白。

依赖：

  • conda install -c conda-forge tesseract
  • 康达安装pdf2image
  • 康达安装pytesseract
于 2021-03-17T14:05:52.673 回答
0

PDFBox 是一个非常好的工具，用于使用 Java 从 PDF 文件中提取文本。文本提取是它的强项；如果您想修改/注释或查看 PDF 文件，另一个工具可能会更好地为您服务。它具有用于识别文件中空格的代码。

它也有处理连字的代码，但你需要在类路径上有一个特定的国际化库才能工作——Icu4j。

您可以从 Python 调用 PDFBox 文本提取器作为命令行程序，而无需编写任何 Java 代码。

于 2012-06-19T21:12:30.890 回答
0

我已经通过使用 R 解决了这个问题：

library(pdftools)
pdf_file <- "xxx/untitled.pdf"
text <- pdf_text(pdf_file)
cat(text[1])
于 2019-10-18T13:59:41.030 回答