python PDFminer只解析页面的一部分

我正在使用模块

pdfminer

python模块解析PDF文档。我只想从这个文档中提取文本

这个过程进行得很顺利，但是当我提取

LTText*

对象时，我意识到我并没有获取该

LTText*

对象中的所有文本。它似乎有一个内部缓冲区或类似的东西，导致文本被剪切在每一页

我的代码：

...
for lt_text_obj in lt_objs:
    if isinstance(lt_text_obj, LTTextBox) or isinstance(lt_text_obj, LTTextLine):
         if lt_text_obj._objs:
             for text_obj in lt_text_obj._objs:
                 if isinstance(text_obj, LTTextBox) or isinstance(text_obj,LTTextLine)]:
                     text_content.append(text_obj)
...

text_obj变量从不包含整个文本，即使pdf文件页面中的文本格式始终相同

我认为问题不在代码中，因为我还使用pdf2txt.py脚本将pdf文件转换为txt，并且生成的txt文件的页面也被“剪切”

似乎问题可能出在pdfminer配置或我的pdf文件格式中。。。我完全迷路了

---

有什么想法吗？

您可以改用PyPDF2吗？

---

我为自己编写了一个小“界面”，以便将一页一页地从一个pdf文件传输到另一个文件（）。在我的案例中，我没有看到任何像你这样的问题（一切似乎都很顺利）

如果没有输入pdf很难说，我会尝试运行：

pdf2txt.py -o output.xml path/to/your_input.pdf

---

此工具是pdfminder的一部分，对于调试非常有用，请尝试检查结果xml以找到未正确提取的模式

您使用pyPdf2的具体方法是什么？我相信我的所有文本都包含在其中（作为pdf页面），或者是您从pdf中传输文本元素是问题所在？我必须承认，我没有尝试过。我在尝试使用PyPDF2时遇到了这个错误：但我无法解决它：（你有没有发现这个问题？或者你知道你的“著名例子”有一面镜子吗？链接断了。这个例子不是“我的”，我编辑了这篇文章以删除断开的链接。我所做的是将pdf转换为txt并使用正则表达式处理它