Extrahieren von Text aus einer PDF-Datei mit PDFMiner in Python?

Question

Python Version 2.7

Ich suche Dokumentation oder Beispiele zur Eingabe von Text aus einer PDF-Datei mit Python PDFMiner zu extrahieren.

Offenbar hat PDFMiner ihre API aktualisiert und alle relevanten Beispiele, die ich gefunden habe, enthalten veralteten Code (Klassen und Methoden haben sich geändert). Die Bibliotheken, die ich gefunden habe, die die Aufgabe erleichtern, Text aus einer PDF-Datei zu extrahieren, verwenden die alte PDFMiner-Syntax, so dass ich mir nicht sicher bin, wie das geht.

So wie es ist, schaue ich nur auf Quellcode, um zu sehen, ob ich es herausfinden kann.

Answer 1

Hier ist ein funktionierendes Beispiel für Text aus einer PDF-Datei extrahiert die aktuelle Version von PDFMiner (September 2016)

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 

PDFMiner Struktur vor kurzem geändert verwenden, so sollte diese Arbeit von Text aus PDF-Dateien zum Extrahieren.

bearbeiten: Still ab 1. Februar 2017.

Answer 2

hervorragende Antwort von DuckPuncher, für Python3 stellen Sie sicher, Sie installieren pdfminer2 und tun arbeiten:

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