0

我已经从这个来源下载了一堆 pdf：' http://ec.europa.eu/growth/tools-databases/cosing/index.cfm?fuseaction=search.detailsPDF_v2&id=28157

现在我想使用 PyPDF2 来抓取 PDF，但是没有返回任何文本。

我用另一个pdf测试了代码，它没有问题。

all_files = os.listdir('C:/Users/NAME.NAME/Downloads/Eu/T/')
count=0
count2=0
for filenames in all_files: 
   count +=1
   file_path='C:/Users/NAME.NAME/Downloads/Eu/T/'+filenames
   pdf_obj=open(file_path, 'rb')
   pdf_reader = PyPDF2.PdfFileReader(pdf_obj)
   num_pages = pdf_reader.numPages
   current_page=0
   text2=""
   pageObj= pdf_reader.getPage(current_page)
   text2 +=pageObj.extractText()
4

1 回答 1

0

这是因为 PyPDF2 是一个不一致的刮板 。您必须记住，并非所有 pdf 都是相同的，因此基于 pdf 的构建结构，PyPDF2 可能会也可能不会抓取它。

通常当我抓取pdf 文件时，我必须在 PyPDF2、pdfminer 和slate3k之间切换，这取决于我是否使用 PyPDF2 获取文本。我从 PyPDF2 开始，因为在我看来它是最简单的。

我的健壮性顺序（包可以刮取pdf的程度）：

1.) pdfminer

2.) slate3k

3.) PyPDF2

使用 slate3k：

import glob as glob
all_files = r'C:/Users/NAME.NAME/Downloads/Eu/T/*.pdf'
for filenames in glob.glob(all_files): 
    with open(filenames,'rb') as f:
       pdf_text = slate.PDF(f)
       print(text)

使用 pdfminer

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


def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = io.StringIO()
    codec = 'utf-8'
    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
    
all_files = r'C:/Users/NAME.NAME/Downloads/Eu/T/*.pdf'
    
for files in glob.glob(all_files):
    convert_pdf_to_txt(files)

您可能需要更改函数以获取所需格式的文本。正如我所说，因为 PDF 可以以多种方式构建，您的文本可以以多种不同方式输出。但这应该让你朝着正确的方向前进。

于 2019-01-25T18:44:37.020 回答