我如何将pdfminer用作库

Question

我正在尝试使用pdfminer从pdf获取文本数据。我可以使用pdfminer命令行工具pdf2txt.py将数据成功提取到.txt文件中。我目前正在执行此操作，然后使用python脚本清理.txt文件。我想将pdf提取过程合并到脚本中，从而节省了一步。当我找到此链接时，我以为自己正在研究某些东西，但是任何解决方案都没有成功。也许那里列出的功能需要再次更新，因为我使用的是pdfminer的较新版本。我也尝试了此处显示的功能，但是也没有用。我尝试的另一种方法是使用调用脚本内的脚本os.system。这也不成功。我正在使用Python版本2.7.1和pdfminer版本20110227。

Answer 1

这是我最终制作的对我有用的清理版本。给定其文件名，以下代码仅以PDF形式返回该字符串。我希望这可以节省一些时间。

from pdfminer.pdfinterp import PDFResourceManager, process_pdf

from pdfminer.converter import TextConverter

from pdfminer.layout import LAParams

from cStringIO import StringIO

def convert_pdf(path):

    rsrcmgr = PDFResourceManager()

    retstr = StringIO()

    codec = 'utf-8'

    laparams = LAParams()

    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)

    fp = file(path, 'rb')

    process_pdf(rsrcmgr, device, fp)

    fp.close()

    device.close()

    str = retstr.getvalue()

    retstr.close()

    return str

Answer 2

这是与最新版本一起使用的新解决方案：

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)

    fp.close()

    device.close()

    str = retstr.getvalue()

    retstr.close()

    return str