python - 使用 python pdfminer 提取整个 pdf 数据

Question

我正在使用 pdfminer 使用 python 从 pdf 文件中提取数据。我想提取 pdf 中存在的所有数据，无论它是图像、文本还是其他任何数据。我们可以在一行中做到这一点（如果需要，可以两行，无需太多工作）。任何帮助表示赞赏。提前致谢

Answer 1

我们可以在一行中做到这一点（如果需要，可以两行，无需太多工作）。

你不能。Pdfminer 功能强大，但它的级别相当低。

不幸的是，文档并不完全详尽。感谢 Denis Papathanasiou 的一些代码，我能够找到解决方法。代码在他的博客中讨论，你可以在这里找到源代码：layout_scanner.py

另请参阅此答案，我在其中提供了更多详细信息。

Answer 2

对于 Python 3：

pip install pdfminer.six

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

def convert_pdf_to_txt(path, codec='utf-8'):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(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 3

对于 python3，还有一个：pip install pdfminer3k

from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
import time
from functools import wraps

def fn_timer(function)://this is for calculating the run time(function)
    @wraps(function)
    def function_timer(*args, **kwargs):
        t0 = time.time()
        result = function(*args, **kwargs)
        t1 = time.time()
        print ("Total time running %s: %s seconds" %
                ('test', str(t1-t0))
                )
        return result
    return function_timer

@fn_timer
def convert_pdf(path, pages):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, laparams=laparams)

    fp = open(path, 'rb')
    process_pdf(rsrcmgr, device, fp,pages)
    fp.close()
    device.close()

    str = retstr.getvalue()
    retstr.close()
    return str

file = r'M:\a.pdf'

print(convert_pdf(file,[1,]))