问题标签 [pdfminer]

我选择了 Jacqueline Kazil 和 Katherine Karmul 撰写的 O'Reiley 的 Data Wrangling with Python。在第 5 章第 94 页中，我正在运行以下代码。

我正在使用 Windows 10，Python 2.7.12，运行 slate 0.5.2，pdfminer 20140328 并成功安装了 pip。我得到以下结果：

我只知道 EOF 表示“文件结尾”，并且无法从数据源读取更多数据。有人知道发生了什么吗？

如果有人想查看我要解析的文件，就在这里： https ://github.com/jackiekazil/data-wrangling/tree/master/data/chp5

我正在使用 pdfminer 工具将 pdf 转换为 .csv（文本），并且该工具中的子命令之一pdfinterp.py仍然使用 CStringIO 和 StringIO 进行字符串到字符串的转换 -

我正在使用 Python 3，所以我知道需要更改为 io 和 io.StringIO。

上面的命令应该如何重新措辞pdfinterp以使其在 Python 3 中起作用。

我正在快速做一个 iPad 应用程序项目，我需要提取 pdf word bbox 坐标并将其转换为 iPad 屏幕坐标。目标是我能够检测到何时触摸了一个单词。

我正在使用 webview 来显示 pdf，并且我在 python 中使用 pdfminer 库来提取单词 bbox（我提取字符 bbox，我可以通过分隔单词之间的空格来获取单词）。但我不知道如何将 pdfminer 单词坐标转换为 iOS 屏幕。

如果需要，我可以解释更多或 dd 代码和屏幕截图。任何帮助将不胜感激！

我正在使用 PDFMiner 将 PDF 转换为文本。然后我想将它编码为UTF-8因为文本是希伯来语。

这是 PDFMiner 的代码：

现在当我尝试打印它时：

它让我把文本倒过来，就像“rac”而不是“car”，但在希伯来语中。

我该如何纠正？

我尝试了元组切片，但它会反转邮件文本和电话号码文本，所以它不是一个选项。

也不是一个选择:(

我已经遵循了一些教程，但我无法让这个代码块运行，我做了从 StringIO 到 BytesIO 的必要切换（我相信？）

我不确定为什么“香蕉”什么也没打印，我认为错误可能是红鲱鱼？这与我遵循 python2.7 教程并尝试将其转换为 python3 有关吗？

脚本

这个变体也会发生同样的事情：

我试过搜索这个（大部分 pdfminer 代码来自this或this）但没有运气。

任何见解都值得赞赏。

干杯

我正在尝试从互联网上抓取的 pdf 中提取文本，但是当我尝试下载它们时出现错误：

我检查了 stackoverflow，其他遇到此错误的人发现他们的 pdf 文件用密码保护。但是，我可以通过我的 Mac 上的预览访问 pdf。

有人提到预览可能会查看受保护的 pdf，所以我也在 Adob​​e Acrobat Reader 中打开了文件，并且仍然能够访问 pdf。

这是我从以下网站下载 pdf 的示例：http: //www.sophia-project.org/uploads/1/3/9/5/13955288/aristotle_firstprinciples.pdf

我发现如果我手动打开 pdf 并将其作为 pdf 重新导出到相同的文件路径（基本上用“新”文件替换原始文件），那么我可以从中提取文本。我猜这与从网站下载它们有关。我只是使用 urllib 来下载 pdf，如下所示：

我也尝试将文件重写为新的文件路径，但仍然导致相同的错误。

最后，这是我用来提取文本的函数。

有什么办法可以以编程方式解决这个问题，而不是手动重新导出预览中的文件？

在使用 pdfminer (pdf2txt.py) 处理 PDF文件 (2.pdf)时，我收到以下错误：

虽然类似的文件（1.pdf）不会引起问题。

我找不到有关该错误的任何信息。我在 pdfminer GitHub 存储库上添加了一个问题，但仍未得到答复。有人可以向我解释为什么会这样吗？我该怎么做才能解析2.pdf？

更新：直接从 GitHub 存储库安装 pdfminer后，我收到了类似的错误，BytesIO而不是。StringIO

我正在为我的 PDF 数据语料库开发自定义搜索引擎。

我有一个转换层，它能够将 PDF 内容转储为文本（使用 Apache Tika 和 GROBID）。我已经完成了搜索层和返回搜索结果列表的视图。

现在，我想在原始 PDF 上为出现搜索词的行添加突出显示功能。是的，如果有必要，我想修改 PDF 文件。

有什么办法可以在 PDF 文件中突出显示文本？PDFMiner 或 PyPDF2 或其他 Python 库是否能够做到这一点？

...或者你可以推荐其他的，也许是外部服务？

我正在解析 pdf 以使用我的 PdfTable 类提取表数据。当我创建一个类实例然后创建另一个类实例时，似乎第一个类实例 file_1.cells 被添加到第二个类实例 file_2.cells 之前。我无法弄清楚为什么会发生这种情况，因为我认为我不是在创建类变量，而只是在创建实例变量。由于某种原因，当另一个类实例被实例化时，来自 set_cells 的数据会被持久化。怎么了？

file_1.cells

文件_2.cells

预期的 file_2.cells

不仅 file_1.cells 附加到 file_2.cells 之前，而且在处理 file_2 之后，file_1.cells 是来自两个实例的单元格的组合。

我正在尝试使用slate模块从 pdf 文件中提取文本，如下所示

我正在尝试：

这给了我错误：

我可以使用 提取文本PyPDF2，但看看 slate 是否更好。