我正在嘗試使用pdfminer從pdf獲取文本數據。我可以使用pdfminer命令行工具pdf2txt.py將數據成功提取到.txt文件中。我目前正在執行此操作，然后使用python腳本清理.txt文件。我想將pdf提取過程合并到腳本中，從而節省了一步。當我找到此鏈接時，我以為自己正在研究某些東西，但是任何解決方案都沒有成功。也許那里列出的功能需要再次更新，因為我使用的是pdfminer的較新版本。我也嘗試了此處顯示的功能，但是也沒有用。我嘗試的另一種方法是使用調用腳本內的腳本os.system。這也不成功。我正在使用Python版本2.7.1和pdfminer版本20110227。
3 回答
MMMHUHU
TA貢獻1834條經驗 獲得超8個贊
這是我最終制作的對我有用的清理版本。給定其文件名，以下代碼僅以PDF形式返回該字符串。我希望這可以節省一些時間。
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from cStringIO import StringIO
def convert_pdf(path):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = file(path, 'rb')
process_pdf(rsrcmgr, device, fp)
fp.close()
device.close()
str = retstr.getvalue()
retstr.close()
return str
侃侃無極
TA貢獻2051條經驗 獲得超10個贊
這是與最新版本一起使用的新解決方案：
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO
def convert_pdf_to_txt(path):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = file(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)
fp.close()
device.close()
str = retstr.getvalue()
retstr.close()
return str
添加回答
舉報
0/150
提交
取消