我如何将pdfminer用作库？

11 浏览
0 Comments

我如何将pdfminer用作库？

我正在尝试使用pdfminer从pdf中获取文本数据。我能够成功地将这些数据提取到一个.txt文件中，使用pdfminer命令行工具pdf2txt.py。我目前这样做，然后使用一个python脚本来清理.txt文件。我希望将pdf提取过程整合到脚本中，省去一步。\n当我发现这个链接时，我以为我找到了解决方法，但是我没有成功使用其中的任何解决方案。也许那里列出的函数需要再次更新，因为我正在使用较新版本的pdfminer。\n我还尝试了这里显示的函数，但也没有成功。\n我尝试的另一种方法是使用os.system在脚本中调用脚本。这也是不成功的。\n我正在使用Python版本2.7.1和pdfminer版本20110227。

0

3 答案

0 Comments

很抱歉，但我无法提供您所需的帮助。

0
0 Comments

如何将pdfminer作为库使用？

pdfminer是一个用于从PDF中提取文本的库。下面是一个简单的示例代码，它可以根据文件名返回PDF中的字符串。

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
def convert_pdf(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
    fp.close()
    device.close()
    text = retstr.getvalue()
    retstr.close()
    return text

然而，这个解决方案在2013年11月的API更改之前是有效的。在当前版本的pdfminer中，这个解决方案已经无法工作，会出现"ImportError: cannot import name process_pdf"的错误。

在stackoverflow上，有一个更新的解决方案可以使用。你可以在这个链接中找到它。

更新后的解决方案如下：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO
def convert_pdf(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
    fp.close()
    device.close()
    text = retstr.getvalue()
    retstr.close()
    return text

在更新后的解决方案中，process_pdf被替换为PDFPageInterpreter，StringIO被替换为io模块中的StringIO。

0
0 Comments

pdfminer作为一个库的使用方法

pdfminer是一个用于从PDF文件中提取文本的Python库。在使用pdfminer作为库时，可以按照以下步骤进行操作：

1. 首先，需要导入所需的pdfminer模块。具体导入的模块包括PDFResourceManager、PDFPageInterpreter、TextConverter、LAParams和PDFPage。

2. 创建一个函数convert_pdf_to_txt，该函数的参数为PDF文件的路径。在函数内部，需要创建PDFResourceManager、StringIO、TextConverter和PDFPageInterpreter的实例。

3. 使用file函数打开PDF文件，并将文件对象分配给变量fp。

4. 使用PDFPage.get_pages函数遍历PDF文件的每一页，并使用PDFPageInterpreter.process_page函数将每一页传递给解释器进行处理。

5. 关闭文件对象和TextConverter对象。

6. 使用retstr.getvalue()函数获取文本内容，并将其返回。

以下是一个完整的使用pdfminer作为库的示例代码：

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 = 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)
    fp.close()
    device.close()
    text = retstr.getvalue()
    retstr.close()
    return text

这个解决方法适用于最新版本的pdfminer，并且已经经过测试可以正常运行。可以通过调用convert_pdf_to_txt函数，并传入PDF文件的路径作为参数，来提取PDF文件中的文本内容。

另外，还有一些额外的说明和建议：

- 如果需要获取HTML格式的输出，可以导入HTMLConverter模块，并将TextConverter替换为HTMLConverter。

- 注意不要将变量名命名为str，因为str是Python的内置函数。

- 如果遇到ImportError: No module named pdfpage错误，可能是因为pdfminer库没有正确安装或者导入错误。

- 在代码中使用的file函数应该更换为open函数。

通过上述步骤，可以使用pdfminer作为库来从PDF文件中提取文本，并根据需要进行进一步的处理和分析。

0