问题标签 [pdfminer]

我尝试使用以下代码使用 python 操作“word_margin”，但它给我一个错误TypeError: get_pages() got an unexpected keyword argument 'word_margin'。word_margin=word_margin如果我从参数中删除，PDFminer 可以很好地读取文档。

代码：

我正在尝试通过 url 阅读 pdf。我遵循了许多 stackoverflow 建议并使用 PyPdf2 FileReader 从 pdf 中提取文本。我的代码如下所示：

我能够成功提取第一个链接的文本。但是，如果我对第二个 pdf 使用相同的程序。我没有收到任何文字。页码和文档信息似乎出现了。

我尝试通过终端从 Pdfminer 中提取文本，并且能够从第二个 pdf 中提取文本。

知道 pdf 有什么问题，或者我正在使用的库有什么缺点吗？

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：

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

For converting pdf to text I am using the following command:

pdf2txt.py -o text.txt example.pdf # It will convert example.pdf to text.txt

But I have more than 1000 pdf files which I need to convert to text file first and then do the analysis.

Is there a way through which I can use this command to iterate over the pdf files and convert all of them?

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？

我有一个已转换为普通 pdf 文档的 pdf 表格（使用 print2pdf 软件）。我打算从中提取数据，有什么办法吗？

我目前正在使用 pdfminer ，但它往往不会提取用户输入的数据，而是提取所有其他数据。

pdf2txt.py PDFFormconvertedintoPDF.pdf

有没有其他方法可以帮助我实现我想要的？

每当我在命令行上使用 pdf2txt.py 时，源文件都会打开并且命令不会执行。我刚刚安装了这些软件包，但无法让它运行。例如，我将键入命令：

输入命令后，文件 pdf2txt.py 将打开，命令不会执行。有没有人遇到过这个？我究竟做错了什么？

我正在使用 Windows 命令提示符。任何帮助将不胜感激。

我正在使用pdfminer库解析一些 PDF 文件。

我需要知道文档是否是扫描文档，扫描机器将扫描的图像放在顶部，将 OCR 提取的文本放在背景中。

有没有办法识别文本是否可见，因为 OCR 机器确实将它放在页面上以供选择。

通常，问题在于区分两个非常不同但看起来相似的案例。

在一种情况下，扫描文档的图像覆盖了大部分页面，其后面带有 OCR 文本。

这是 PDF 作为文本，图像被截断： http: //pastebin.com/a3nc9ZrG

在另一种情况下，有一个背景图像覆盖了页面的大部分，并且前面有文本。

将它们区分开来对我来说很困难。

我正在解析显示多个不同货物运输信息的 PDF 文件。数据包括地址、商品金额等。我已经成功提取出构成每个文件实质的文本字符串。文件的呈现方式相对一致，但不像 HTML 或 XML 那样易于定位数据。首先，我正在尝试提取项目数量。在文本中，子字符串“<code>TOTAL BOXES:”有多个实例。每一个之后，都有一个整数（所以它看起来像这样：“<code>TOTAL BOXES: 3”）

我的方法，如下面的代码所示（一直在底部），一直是：

1. 找到关键短语“<code>TOTAL BOXES:”的实例
2. 查找“<code>TOTAL BOXES:”的每个实例的索引</li>
3. 使用这个子字符串中最后一个字符的索引——在这种情况下是“<code>:”——到“<code>向前移动”2个字符索引位置来拉数据。

我认为可能有更优雅的解决方案，我很高兴听到它们。但现在我选择方法的主要绊脚石是：

我能够将关键短语的每个索引作为列表中的一个项目返回。然后我将 2 添加到该索引以获得“后端”索引。我现在知道确切的索引或文本中提供目标数据的每个位置。每个索引都存储为我的变量下的列表项，instance_begin.

这就是我的代码崩溃的地方，我的新手大放异彩。为了获取数据，我这样做：

对于 instance_begin 中的框：

返回异常：

TypeError：列表索引必须是整数，而不是列表

帮助表示赞赏。

代码：