2

PDFMiner を使用して PDF ファイルからテキストを抽出しようとしています ( Python で PDFMiner を使用して PDF ファイルからテキストを抽出するコードは? )。path/to/pdf 以外のコードは変更していません。驚くべきことに、コードは同じドキュメントの複数のコピーを返します。他のpdfファイルでも同じ結果が得られました。他の引数を渡す必要がありますか、それとも何か不足していますか? どんな助けでも大歓迎です。念のため、コードを提供します。

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from 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()
    fstr = ''
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages,    password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

        str = retstr.getvalue()
        fstr += str

    fp.close()
    device.close()
    retstr.close()
    return fstr

print convert_pdf_to_txt("test.pdf")
4

3 に答える 3

9

あなたが参照しているスレッドでは、私の答えは少し間違っていました。バグを見つけて、回答を更新するのを忘れました。

pdfminer のドキュメントはかなりまばらなので、なぜこのように機能するのかを完全に説明することはできません。pdfminer ライブラリをもう少しよく知っている人が、私たちに洞察を与えてくれることを願っています。

私が知っているtext = retstr.getvalue()のは、for ループの外で行う必要があるということだけです。for ループ内でretstr行っているかのように更新されているとしか思えないので、すべてが終了したら、すべてのページからテキストを取得する必要があります。final_text += texttext = retstr.getvalue()

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)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

print convert_pdf_to_txt("test.pdf")

これが役に立ったことを願っています！

于 2014-11-05T20:40:30.113 に答える
1

Python 3 の場合、DuckPuncher のコードを少し調整する必要があります。

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

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = io.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
于 2019-04-27T13:17:55.360 に答える