105

Python で PDFMiner を使用して PDF ファイルからテキストを抽出する方法に関するドキュメントまたは例を探しています。

PDFMiner が API を更新したようで、私が見つけた関連するすべての例には古いコードが含まれています (クラスとメソッドが変更されました)。私が見つけた、PDF ファイルからテキストを抽出するタスクを簡単にするライブラリは、古い PDFMiner 構文を使用しているため、これを行う方法がわかりません。

現状では、ソースコードを見て、それを理解できるかどうかを確認しています。

4

5 に答える 5

203

現在のバージョンの PDFMiner (2016 年 9 月) を使用して PDF ファイルからテキストを抽出する実際の例を次に示します。

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

PDFMiner の構造が最近変更されたため、これは PDF ファイルからテキストを抽出するために機能するはずです。

編集: 2018 年 6 月 7 日現在も動作しています。Python バージョン 3.x で検証済み

pdfminer.six編集: このソリューションは、2019 年 10 月 3 日に Python 3.7 で動作します。2018年 11 月にリリースされた Python ライブラリを使用しました。

于 2014-10-21T19:47:47.837 に答える