Python 中用于将 PDF 转换为文本有哪些模块？

你可以使用 PDFMiner 包来将 PDF 转换为文本。

示例

你可以用以下方式使用它： 

 import sys
from cStringIO import StringIO
 from pdfminer.pdfpage importPDFPage
from pdfminer.pdfinterp importPDFResourceManager, PDFPageInterpreter
from pdfminer.layout importLAParams
from pdfminer.converter importXMLConverter, HTMLConverter, TextConverter
 def pdfparser(data):
    fp = file(data, 'rb')
    resource_manager = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(resource_manager,retstr, codec=codec, laparams=laparams)
    interpreter =PDFPageInterpreter(resource_manager, device)
 
    # Process each page contained in thedocument.
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        data = retstr.getvalue()
    print data
 pdfparser('filename.pdf')

它会导入一个 PDF 文件，使用 PDFPageInterpreter 类的 process_page 函数逐页从中提取文本。 

PDFMiner 有一个替代选项，使用更简单的 API 来提取文本。pyPDF 运行良好（假设你处理的是格式良好的 PDF）。如果你只需要文本（带空格），你可以执行以下操作

import pyPdf
pdf = pyPdf.PdfFileReader(open('filename.pdf',"rb"))
for page in pdf.pages:
    print page.extractText()

更新日期： 2019 年 12 月 11 日

216 次浏览

开启你的 职业生涯

完成课程并获得认证

开始
广告