问题标签 [pdfminer]

在 Python 中，我使用pdfminer从 pdf 中读取文本，并使用此消息下方的代码。我现在收到一条错误消息：

当我用 Acrobat Pro 打开这个 pdf 文件时，发现它是安全的（或“读保护”）。然而，从这个链接中，我了解到有许多服务可以轻松禁用这种读取保护（例如pdfunlock.com。当深入研究 pdfminer 的源代码时，我看到上面的错误是在这些行上生成的。

由于有许多服务可以在一秒钟内禁用这种读保护，我认为这很容易做到。看起来这.is_extractable是一个简单的属性doc，但我不认为它像更改.is_extractable为 True..那样简单。

有人知道如何使用 Python 禁用 pdf 的读取保护吗？欢迎所有提示！

=================================================

您将在下面找到我目前从非读保护中提取文本的代码。

我希望将 pdf 中的文本导出为字符串列表，其中列表是整个文档，字符串是 PDF 的页面。我正在使用 PDFMiner 来完成这项任务，但它非常复杂，而且我的期限很紧。

到目前为止，我已经获得了将完整的 pdf 提取为字符串的代码，但我需要以字符串列表的形式。

我的代码如下

请帮忙。

这就是我想要做的：一个程序，它将一个 pdf 文件列表作为其输入，并为列表中的每个文件返回一个 .txt 文件。

例如，给定一个 listA = ["file1.pdf", "file2.pdf", "file3.pdf"]，我希望 Python 创建三个 txt 文件（每个 pdf 文件一个），比​​如说“file1.txt”， “file2.txt”和“file3.txt”。

多亏了这个家伙，我的转换部分工作顺利。我所做的唯一更改是在 maxpages 语句中，我在其中分配了 1 而不是 0，以便仅提取第一页。正如我所说，我的这部分代码运行良好。这是代码。

问题是我似乎无法让 Python 返回我，这就是我在第二段中所说的。我试过以下代码：

我使用包含两个 pdf 文件的列表作为输入运行了该保存功能，但它只生成了一个 txt 文件，并且运行了几分钟而没有生成第二个 txt 文件。实现我的目标的更好方法是什么？

我正在尝试使用 PDFMiner 从外语 PDF 文件中提取文本，但被 ToUnicode 语句挫败。即使在普通的 PDF 查看器下，该文件的行为也很奇怪。

例如，这是文件中某些文本的屏幕截图：

但是如果我选择并复制文本，它看起来像这样：

िनरकर</p>

您可以看到几个字符发生了变化，尤其是倒数第二个字符。

毫不奇怪，PDFMiner 提取了不正确的文本。但是每个 PDF 查看器都能正确显示这些数据。我怀疑这个问题要么是 ToUnicode 映射，要么是带有连体字符的东西。所需的字母应该是 0x915、0x94D、0x937 的序列。PDFMiner 只报告 0x915，它描述了一个不同的字符。

我需要做什么才能让 PDFMiner 正确提取文本，即在图像中而不是在复制粘贴的文本中？

这是相关 PDF 的链接。

我正在尝试阅读一个 pdf 文件，其中每个页面都分为 3x3 块信息

每个条目被分成多行。一个条目的简化示例是这张卡片。但是其他 8 个插槽中也会有类似的卡。我希望能够阅读 A，然后是 B，然后是 C……；但是，如果我阅读A，B和C的第一行，然后是A，B和C的第二行等，我可以生存。我看过pdfminer和pypdf，但我没有看过任何适合我正在寻找的东西。这里的答案效果很好，但
列的顺序经常被扭曲。

我正在尝试阅读一个 pdf 文件，其中每个页面都分为 3x3 块信息

每个条目被分成多行。一个条目的简化示例是这张卡片。但是在其他 8 个插槽中也会有类似的条目。

我看过 pdfminer 和 pypdf2。我还没有发现 pdfminer 过于有用，但是 pypdf2 给了我一些接近的东西。

但是，这只会逐行读取文件。我想要一个解决方案，我只能阅读页面的一部分，以便我可以阅读 A，然后是 B，然后是 C，等等。此外，这里的答案效果很好，但是
列的顺序经常被扭曲，我只能逐行阅读。

我想使用 PDFMiner 3k，我在 windows 上使用 python 3.3.3，我不知道要写什么指令来使用 PFDMiner 3k，我尝试了很多代码，但仍然不起作用，其中一些是对于 PDFMiner (python 2.7)，例如我尝试了下一个代码：

请注意，我已将脚本文件放在包含 PDFMiner 3k 目录的目录中。后者被命名为pdfminer。

我得到下一个错误：

有什么建议吗？，我需要帮助。

我在 stackoverflow 中找到并（稍微）修改了这个脚本，使其可以在 python 3.3 上运行：

它工作正常，但我似乎有两个问题：

• 在运行脚本时，我收到大量警告：

  WARNING:root:undefined: PDFCIDFont: basefont='LKOELN+Wingdings-Regular', cidcoding='Adobe-Identity', 139
  WARNING:root:undefined: PDFCIDFont: basefont='LKKPCF+Wingdings2', cidcoding='Adobe-Identity' , 132

印刷文本中的哪个看起来像(cid:139)，我如何捕捉这个警告并用其他东西替换那个文本？

• 请注意，我有一个编解码器行，在原始脚本中位于TextConverter(rsrcmgr, retstr, laparams=laparams).

  回溯（最近一次通话最后）：文件“C:/Users/rodrigo/Desktop/csp_pdf/csp_pdf2.py”，第 46 行，在 convert_pdf('abc.pdf') 文件“C:/Users/rodrigo/Desktop/csp_pdf /csp_pdf2.py"，第 33 行，在 convert_pdf device = TextConverter(rsrcmgr, retstr, codec = 'utf-8', laparams=laparams) TypeError: init () got an unexpected keyword argument 'codec'

这与第一个问题有关吗？

谢谢！

我们有一个希望实现的项目，在这个项目中，我们需要处理 PDF 文件（不幸的是）并解析它们的内容。在过去的几天里，我们一直在研究很多不同的库，但我们尝试了其中的一些。

虽然是这样，但我们仍然不知道我们是否能够完成这样的任务。基本上，我们的 PDF 文档中的每一页都将包含 6-7 个可能带有图像的问题和 5 个多项选择答案。我们需要对这些问题进行细分，并进一步细分相关问题的多项选择答案。

我们发现PDFBox( Java) 和PDFMiner( Python) 是解析 PDF 最可靠的库，但我个人仍然认为创建一个满足我们要求的可靠系统将非常困难。这不是哪个库最好？问题，但更像是，如果这样的任务是可行的，并且目前在 PDF 解析世界中可以实现这样的高级要求？

当然，我愿意接受任何其他可能有助于我们完成任务的建议（图像处理、裁剪软件、手动裁剪？等）。

例如：一页中有 6 个：

我正在尝试使用 PDFMiner 解析目录中的 PDF 文件，我从复制此处包含的文档中的第一个脚本开始。代码（在下面重复）打开文件，并创建解析器对象，但在尝试创建文档对象时给出“意外 EOF”错误。任何有助于理解为什么会这样的帮助将不胜感激。具体来说，是否存在无法以这种方式解析的 PDF 类型？

这会产生以下错误：

编辑：有人建议问题出在外部参照表上，与此处的问题有关。我不相信，因为该错误跟踪没有提到“意外的 EOF”，而是“找不到 EOF 标记”。这样的解决方案可能是有效的，因为它本质上是说目前存在的 Python 包不太适合解析 PDF 文件标准的混乱。