如何在python脚本和外部命令行中使用pdfminer.six的pdf2txt.py？

Question

我知道如何在命令行中使用 pdfminer.six 的 pdf2txt.py 工具；但是，我有很多 PDF 文件要转换为 txt 文件，我不能在命令行中一一执行。我还没有找到如何在实际的 python 脚本中使用这个工具。有任何想法吗？

Answer 1

好消息是您可以使用 PDFMiner 库重新创建您可能在命令行上使用 pdf2text 运行的任何属性/命令。请参阅下面的我使用的基本示例：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

from pdfminer.converter import TextConverter

from pdfminer.layout import LAParams

from pdfminer.pdfpage import PDFPage

from io import BytesIO

def pdf_to_text(path):

    manager = PDFResourceManager()

    retstr = BytesIO()

    layout = LAParams(all_texts=True)

    device = TextConverter(manager, retstr, laparams=layout)

    filepath = open(path, 'rb')

    interpreter = PDFPageInterpreter(manager, device)

    for page in PDFPage.get_pages(filepath, check_extractable=True):

        interpreter.process_page(page)

    text = retstr.getvalue()

    filepath.close()

    device.close()

    retstr.close()

    return text

if __name__ == "__main__":

    text = pdf_to_text("yourfile.pdf")

    print(text)

如果您需要应用页码或密码，这些是 PDFPage.get_pages 中的可选参数。同样，如果您需要更改布局，例如 all-texts 或 margin-size，LAParams 初始值设定项有可选属性