Python 3.x PythonPdfMiner将pdf文件转换为一个字符串块,单词之间没有空格
我使用的代码主要取自DuckPuncher对本文的回答,用于将PDF转换为文本文件:Python 3.x PythonPdfMiner将pdf文件转换为一个字符串块,单词之间没有空格,python-3.x,pdfminer,Python 3.x,Pdfminer,我使用的代码主要取自DuckPuncher对本文的回答,用于将PDF转换为文本文件: def convert_pdf_to_txt(path): rsrcmgr = PDFResourceManager() retstr = StringIO() codec = 'utf-8' laparams = LAParams() device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=lapara
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)
fp.close()
device.close()
str = retstr.getvalue()
retstr.close()
return str
PDF使用以下代码下载并存储在我的本地目录中,并存储在我的本地目录中。它工作得很好
import requests
url = 'link_to_the_pdf'
file_name = './name.pdf'
response = requests.get(url)
with open(file_name, 'wb') as f:
f.write(response.content)
但是,对于某些pdf,convert_pdf_to_txt()返回的内容几乎是一个字符串块,单词之间没有空格。例如,从下载以下pdf并应用convert_pdf_to_txt()函数后,我得到了一个文本文件,其中的单词不以空格分隔。文本文件的摘录如下所示
3来自ComputerVisionArea的电池组的预选方法,例如plane+p
ARALLAX4方法用于3数据集结构计算。在本文中,我们提出了一种新的基于自适应滤波技术的本地定位注册技术。自适应滤波器已成功地用于1-D的系统识别
有人能帮我解决这个问题吗?是这个特定pdf的格式导致了问题还是其他原因,因为对于其他一些pdf,convert_pdf_to_txt()函数工作正常 根据这一点,一些PDF将整个文本标记为figure,默认情况下,PDFMiner不会尝试对figure文本执行布局分析。要覆盖此行为,需要将all_texts参数设置为True
下面是一个基于的适用于我的示例
根据这一点,一些PDF将整个文本标记为figure,默认情况下,PDFMiner不会尝试对figure文本执行布局分析。要覆盖此行为,需要将all_texts参数设置为True
下面是一个基于的适用于我的示例
您提供的链接已断开(并非完全为蓝色),并导致出现非PDF页面。你能提供你感兴趣的PDF示例的链接吗?@pyano是的,很抱歉链接断了。我已经编辑了帖子中的链接。现在应该可以了。谢谢你的帮助!您提供的链接已断开(并非完全为蓝色),并导致出现非PDF页面。你能提供你感兴趣的PDF示例的链接吗?@pyano是的,很抱歉链接断了。我已经编辑了帖子中的链接。现在应该可以了。谢谢你的帮助!
import io
import pdfminer
from pdfminer.converter import TextConverter
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfpage import PDFPage
# Perform layout analysis for all text
laparams = pdfminer.layout.LAParams()
setattr(laparams, 'all_texts', True)
def extract_text_from_pdf(pdf_path):
resource_manager = PDFResourceManager()
fake_file_handle = io.StringIO()
converter = TextConverter(resource_manager, fake_file_handle, laparams=laparams)
page_interpreter = PDFPageInterpreter(resource_manager, converter)
with open(pdf_path, 'rb') as fh:
for page in PDFPage.get_pages(fh,
caching=True,
check_extractable=True):
page_interpreter.process_page(page)
text = fake_file_handle.getvalue()
# close open handles
converter.close()
fake_file_handle.close()
if text:
return text
text = extract_text_from_pdf('test.pdf')