Python 使用pdfminer从pdf中提取文本可提供多个副本

我正在尝试使用PDFMiner（代码位于）从PDF文件中提取文本。除了path/to/pdf之外，我没有更改代码。令人惊讶的是，代码返回同一文档的多个副本。我得到了与其他pdf文件相同的结果。我是否需要传递其他论点，或者我遗漏了什么？非常感谢您的帮助。为了以防万一，我提供了以下代码：

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")

---

我的回答在您引用的线程中有点不正确。我发现了错误，忘了更新我的答案

因为pdfminer的文档非常稀少，所以我无法完全解释为什么它是这样工作的。希望对pdfminer库有更好了解的人能给我们一些见解

我只知道您必须在for循环之外执行

text=retstr.getvalue（）

。我只能假设

retstr

正在更新，就像我们在for循环中执行

final\u text+=text

一样，因此一旦完成，我们只需执行

text=retstr.getvalue（）

即可从所有页面获取文本

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")

---

希望这有帮助

对于python 3，DuckPuncher的代码只需稍作调整：

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

---

这些PDF文件来自哪里？它们都是用同一个工具创建的吗？完全有可能是某个脑残的脚本正在创建PDF，其中包含文本的多个副本。@非常感谢您的提问。我从一份科学杂志下载了所有经过测试的pdf文件，因此我假设它们是使用相同的工具创建的。您可以共享一个示例文档来重现该问题吗？@mkl可以在此处下载示例文档：。谢谢。@药剂师，不知道您是否有机会试用我提供的溶液？