使用pdfminer（Python）从特定大纲或目标（而不是页码）提取文本

我正在使用pdfminer.six从PDF文件中提取文本。我试过其他的PDF提取器，但只有pdfminer能按我需要的方式处理文本

我想从符合搜索条件的特定大纲（书签）中提取文本

PDFDocument

类具有用于提取轮廓的方法

get\u outlines

。它返回一个元组生成器，其中包含大纲的级别、标题、目标和其他信息。“destination”值是由

PDFObjRef

类实例和其他信息组成的列表

这就是从

get\u outlines

返回的数据的样子：

（……）

（1，'客户账户信息20'，[PDFObjRef:3918，/'FitH'，36]，无，无）

（1，'客户账户信息21'，[PDFObjRef:3931，/'FitH'，36]，无，无）

（……）

pdfminer文档页面说，“一些PDF文档使用页码作为目的地，而其他文档使用页码和页面内的物理位置”。 上面示例中的

PDFObjRef

的编号不是页码：我在这个示例中使用的PDF只有933页

正如我在开始时所说的，我只需要从PDF文件中的一个提纲中提取文本。 通过以下代码段，我可以创建一个生成器并按顺序提取每个页面：

from io import StringIO

from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser

output_string = StringIO()
with open('samples/simple1.pdf', 'rb') as in_file:
    parser = PDFParser(in_file)
    doc = PDFDocument(parser)
    rsrcmgr = PDFResourceManager()
    device = TextConverter(rsrcmgr, output_string, laparams=LAParams())
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    for page in PDFPage.create_pages(doc):
        interpreter.process_page(page)

result = output_string.getvalue()

但是我不知道如何指向一个特定的页面目的地（或者一个页面范围，包含在两个目的地之间）并仅从这个片段中提取文本

有人能帮忙吗？ 如何将PDFObjRef:3918和PDFObjRef:3931转换为页码，或者如何提取像这样的间隔的数据

我正在使用Python 3.8.5和pdfminer.6

---

谢谢

你找到解决办法了吗？不幸的是我没有。但我开发了一个容易出错的解决方法：我使用pyPDF2查找大纲及其页面，将它们提取到一个新的PDF对象中，将其保存为一个临时PDF文件（使用Python内置的“tempfile”库），然后将其传递给pdfminer以提取其文本。它既不漂亮也不完美，但对我来说效果很好。你找到解决办法了吗？不幸的是，我没有。但我开发了一个容易出错的解决方法：我使用pyPDF2查找大纲及其页面，将它们提取到一个新的PDF对象中，将其保存为一个临时PDF文件（使用Python内置的“tempfile”库），然后将其传递给pdfminer以提取其文本。它既不漂亮也不完美，但对我来说效果很好。