0

我使用 pdfminer 将复杂（表格、数字）和非常长的 pdf 转换为 html。我想进一步解析结果（例如提取表格、段落等），然后使用 nltk 中的句子标记器进行进一步分析。为此，我想将 html 保存到文本文件以弄清楚如何进行解析。不幸的是，我的代码没有将 html 写入 txt：

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


def convert_pdf_to_html(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = HTMLConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = file(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0 #is for all
    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()
    str1 = retstr.getvalue()
    retstr.close()
    return str1
    with open("D:/my_new_file.txt", "wb") as fh:
        fh.write(str1)

此外，代码在 shell 中打印了整个 html 字符串：我怎样才能避免它？

4

1 回答 1

0

首先，除非有一个微不足道的错误，

.txt 写入发生在返回函数之后：永远不会执行 txt 文件写入！

然后，要抑制输出到控制台，只需在运行例程之前执行此操作：

 import sys,os
 oldstdout = sys.stdout  # save to be able to restore it later
 sys.stdout = os.devnull
于 2016-07-22T14:02:37.837 回答