1

我开发了一个读取 PDF 文件的程序，但我注意到我用来读取它们的工具 (PDFminer) 似乎放错了文本或根本没有放置它。输出似乎非常清晰和准确。它尊重间距和换行，因此输出看起来更像是原始 PDF。但是，它似乎跳过了一些行（在我检查的文件中发生一次）和错位的行（在错位的行具有其他 10 行的模式的文档中发生了两次，那么为什么只在这两个中发生？）

检索行的代码是这样的：

def extract(fname,docPage):
    pages=[docPage,docPage]
    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().decode("utf8")
output.close

return text

有任何想法吗？或者有人遇到过这个问题吗？我已经研究过这个问题，但没有结果。也许是使用任何其他工具（如 pyPdf2）的方法

4

0 回答 0