Python PDFMiner-pdf2txt.py解析顺序错误的文本

我对python和pdfminer都是新手，虽然一般来说我不熟悉编程。我在Windows7和cygwin上使用Python 2.7

我正在用beautifulsoup编写一个脚本，从PDF中提取特定信息。为此，我使用pdf2txt创建了该pdf的.txt和.html文件，以用于测试。 只是通常的命令：

python pdf2txt.py-o output.txt input.pdf

python pdf2txt.py-o output.html input.pdf

它们都有相同的问题：一些文本行出现了错误。 在此pdf上运行pdf2txt，您将了解我的意思： （编辑：我找到了原始网站。）这是本页的美属萨摩亚网站：

例如，这是pdf第一页的一部分的正确布局：

所需文件

护照复印件（一些港口要求所有家庭成员持有护照 在3299上列出）
表格CF-3299
补充声明（大多数港口要求）
详细的英文库存
签证复印件（如果是非美国公民/永久居民）/永久居民签证复印件 居民卡
I-94邮票/卡片
提单（OBL）/航空货运单（AWB）副本
表DS-1504（外交官）
A-1签证（外交官）
进口商安全申报（ISF）

这就是使用pdf2txt.py进行txt和html转换的结果：

所需文件

护照复印件（某些港口要求3299上列出的所有家庭成员持有护照）
表格CF-3299
补充声明（大多数港口要求）
详细的英文库存
Visa卡复印件（如果是非美国公民/永久居民）/永久居民卡复印件

提单（OBL）/航空货运单（AWB）副本
表DS-1504（外交官）
A-1签证（外交官）

进口商安全申报（ISF）

I-94邮票/卡片

由于某些原因，以字母“I”开头的行总是从其所在位置取走，并放置在下一个空行或上一个空行上。还有一些其他的角色也经常发生这种情况

我已在此处发布此期：

---

这一定是pdfminer的问题。我对python还不够了解，无法在包中进行更改。有人知道如何解决这个问题吗？

我不想将我的电子邮件地址提供给某个文件托管站点，因此我无法查看您提供的示例

但是，一般来说，即使PDF文件只包含整齐排列的行中的文本，PDF仍然不是文本文件格式。它更像是一个脚本，告诉PDF阅读器哪些图形和文本元素在页面上的位置以及顺序

您似乎希望您的纯文本输出与PDF文件的布局相匹配，但如果您仔细考虑一下，这并不是一个简单的要求。您可以假设（pdf2txt显然是这样做的）元素已经在PDF文件中进行了排序，从上到下、从左到右，然后扫描每个页面的元素列表，将遇到的任何可提取字符串或字符添加到字符串的末尾。但这是一个幼稚的假设，因为PDF页面中的元素不需要以任何方式排序（除非在任何重叠的情况下从后面到前面排序）

就我个人而言，我经常使用PDFTron的PDFNet的C版本。它能够生成文本页面上所有单词的列表，每个单词由一个字符串和一个边界框表示。然后，您可以创建规则，将单词链接到一起并对这些行进行排序，尽管您希望考虑的布局类型越多（例如，文本排列在两列中、表格布局、沿页面边框的垂直文本等），这会变得越复杂

---

还有一个，也许你可以看看。但归根结底，你要做的其实并不是那么简单。

我不想把我的电子邮件地址给某个文件托管网站，所以我不能看你提供的示例

但是，一般来说，即使PDF文件只包含整齐排列的行中的文本，PDF仍然不是文本文件格式。它更像是一个脚本，告诉PDF阅读器哪些图形和文本元素在页面上的位置以及顺序

您似乎希望您的纯文本输出与PDF文件的布局相匹配，但如果您仔细考虑一下，这并不是一个简单的要求。您可以假设（pdf2txt显然是这样做的）元素已经在PDF文件中进行了排序，从上到下、从左到右，然后扫描每个页面的元素列表，将遇到的任何可提取字符串或字符添加到字符串的末尾。但这是一个幼稚的假设，因为PDF页面中的元素不需要以任何方式排序（除非在任何重叠的情况下从后面到前面排序）

就我个人而言，我经常使用PDFTron的PDFNet的C版本。它能够生成文本页面上所有单词的列表，每个单词由一个字符串和一个边界框表示。然后，您可以创建规则，将单词链接到一起并对这些行进行排序，尽管您希望考虑的布局类型越多（例如，文本排列在两列中、表格布局、沿页面边框的垂直文本等），这会变得越复杂

---

还有一个，也许你可以看看。但归根结底，你要做的事情其实并没有那么简单。

是要求你发送电子邮件吗？啊。很抱歉，我已经在这里读了很多关于pdf抓取的帖子，所以我知道这不是小事。但事实上，它总是发生在以“I”、“J”和其他一些字符开头的行中，这让我认为这是一个可以解决的问题。PDFNet看起来很不错，但我只限于免费的atm解决方案。我看了一下PDFMiner，它似乎确实做了一些布局识别，所以可能是PDFMiner出了问题。你试过玩-F和-A开关吗