3

pdf 文件中的文本是文本格式，不是扫描的。PDFMiner不支持python3，有没有其他解决方案？

4

3 回答 3

3

还有 pdfminer2 fork，支持 python 3.4，可通过 pip3 获得。 https://github.com/metachris/pdfminer

这个线程帮助我将一些东西拼凑在一起。

from urllib.request import urlopen
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, BytesIO

def readPDF(pdfFile):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)

    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()
    for page in PDFPage.get_pages(pdfFile, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    device.close()
    textstr = retstr.getvalue()
    retstr.close()
    return textstr

if __name__ == "__main__":
    #scrape = open("../warandpeace/chapter1.pdf", 'rb') # for local files
    scrape = urlopen("http://pythonscraping.com/pages/warandpeace/chapter1.pdf") # for external files
    pdfFile = BytesIO(scrape.read())
    outputString = readPDF(pdfFile)
    print(outputString)
    pdfFile.close()
于 2016-02-05T13:30:20.863 回答
1

对于 python3，您可以下载 pdfminer 为：

python -m pip install pdfminer.six

于 2018-10-09T08:53:42.863 回答
0

tika对我来说效果最好。PyPDF2如果我说它比and更好，那不会错。pdfminer这使得将 pdf 中的每一行提取到一个列表中变得非常容易。您可以通过pip install tika And 安装它，使用以下代码：

from tika import parser
rawText = parser.from_file(path_to_pdf)
rawList = rawText['content'].splitlines()
print(rawList)
于 2019-06-20T08:07:36.837 回答