Wyodrębnianie tekstu z pliku PDF za pomocą PDFMiner w python?

Question

Python w wersji 2.7

szukam dokumentacji lub przykładów, w jaki sposób wyodrębnić tekst z pliku PDF za pomocą PDFMiner z Pythona.

Wygląda na to, że PDFMiner zaktualizował swoje API, a wszystkie znalezione przykłady zawierają przestarzały kod (zmieniono klasy i metody). Biblioteki, które znalazłem, które ułatwiają wydobywanie tekstu z pliku PDF, używają starej składni PDFMiner, więc nie jestem pewien, jak to zrobić.

Po prostu patrzę na kod źródłowy, żeby sprawdzić, czy mogę to zrozumieć.

Answer 1

Oto przykład roboczych od wydobywania tekstu z pliku PDF przy użyciu aktualnej wersji PDFMiner (wrzesień 2016)

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 

PDFMiner Struktura zmienił niedawno, więc to powinno działać do wydobywania tekstu z plików PDF.

Edit: Nadal pracuje jako z dnia 1 lutego 2017 r

Answer 2

wspaniałe odpowiedź od DuckPuncher dla Python3 upewnić zainstalowaniu pdfminer2 i zrobić:

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