用于将 PDF 转换为文本的 Python 模块[关闭]-IT科技

摘要：问题描述：有没有python模块可以将PDF文件转换为文本？我尝试了Activestate中找到的一段使用pypdf的代码，但生成的文本之间没有空格，毫无用处。解决方案 1：尝试PDFMiner。它可以从 PDF 文件中提取 HTML、SGML 或“标记 PDF”格式的文本。标记的 PDF 格式似乎是最干净的...

问题描述：

有没有python模块可以将PDF文件转换为文本？我尝试了Activestate中找到的一段使用pypdf的代码，但生成的文本之间没有空格，毫无用处。

解决方案 1：

尝试PDFMiner。它可以从 PDF 文件中提取 HTML、SGML 或“标记 PDF”格式的文本。

标记的 PDF 格式似乎是最干净的，去掉 XML 标签就只剩下裸文本。

Python 3 版本可从以下位置获取：

https://github.com/pdfminer/pdfminer.6

解决方案 2：

自codeape发布以来， PDFMiner包已经发生了变化。

编辑（再次）：

PDFMiner 再次更新至版本20100213

您可以使用以下命令检查已安装的版本：

>>> import pdfminer
>>> pdfminer.__version__
'20100213'

这是更新后的版本（包含我所更改/添加内容的评论）：

def pdf_to_csv(filename):
    from cStringIO import StringIO  #<-- added so you can copy/paste this to try it
    from pdfminer.converter import LTTextItem, TextConverter
    from pdfminer.pdfparser import PDFDocument, PDFParser
    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

    class CsvConverter(TextConverter):
        def __init__(self, *args, **kwargs):
            TextConverter.__init__(self, *args, **kwargs)

        def end_page(self, i):
            from collections import defaultdict
            lines = defaultdict(lambda : {})
            for child in self.cur_item.objs:
                if isinstance(child, LTTextItem):
                    (_,_,x,y) = child.bbox                   #<-- changed
                    line = lines[int(-y)]
                    line[x] = child.text.encode(self.codec)  #<-- changed

            for y in sorted(lines.keys()):
                line = lines[y]
                self.outfp.write(";".join(line[x] for x in sorted(line.keys())))
                self.outfp.write("
")

    # ... the following part of the code is a remix of the 
    # convert() function in the pdfminer/tools/pdf2text module
    rsrc = PDFResourceManager()
    outfp = StringIO()
    device = CsvConverter(rsrc, outfp, codec="utf-8")  #<-- changed 
        # becuase my test documents are utf-8 (note: utf-8 is the default codec)

    doc = PDFDocument()
    fp = open(filename, 'rb')
    parser = PDFParser(fp)       #<-- changed
    parser.set_document(doc)     #<-- added
    doc.set_parser(parser)       #<-- added
    doc.initialize('')

    interpreter = PDFPageInterpreter(rsrc, device)

    for i, page in enumerate(doc.get_pages()):
        outfp.write("START PAGE %d
" % i)
        interpreter.process_page(page)
        outfp.write("END PAGE %d
" % i)

    device.close()
    fp.close()

    return outfp.getvalue()

编辑（再次）：

这是pypi中最新版本的更新。20100619p1简而言之，我LTTextItem用替换LTChar并将 LAParams 实例传递给 CsvConverter 构造函数。

def pdf_to_csv(filename):
    from cStringIO import StringIO  
    from pdfminer.converter import LTChar, TextConverter    #<-- changed
    from pdfminer.layout import LAParams
    from pdfminer.pdfparser import PDFDocument, PDFParser
    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

    class CsvConverter(TextConverter):
        def __init__(self, *args, **kwargs):
            TextConverter.__init__(self, *args, **kwargs)

        def end_page(self, i):
            from collections import defaultdict
            lines = defaultdict(lambda : {})
            for child in self.cur_item.objs:
                if isinstance(child, LTChar):               #<-- changed
                    (_,_,x,y) = child.bbox                   
                    line = lines[int(-y)]
                    line[x] = child.text.encode(self.codec)

            for y in sorted(lines.keys()):
                line = lines[y]
                self.outfp.write(";".join(line[x] for x in sorted(line.keys())))
                self.outfp.write("
")

    # ... the following part of the code is a remix of the 
    # convert() function in the pdfminer/tools/pdf2text module
    rsrc = PDFResourceManager()
    outfp = StringIO()
    device = CsvConverter(rsrc, outfp, codec="utf-8", laparams=LAParams())  #<-- changed
        # becuase my test documents are utf-8 (note: utf-8 is the default codec)

    doc = PDFDocument()
    fp = open(filename, 'rb')
    parser = PDFParser(fp)       
    parser.set_document(doc)     
    doc.set_parser(parser)       
    doc.initialize('')

    interpreter = PDFPageInterpreter(rsrc, device)

    for i, page in enumerate(doc.get_pages()):
        outfp.write("START PAGE %d
" % i)
        if page is not None:
            interpreter.process_page(page)
        outfp.write("END PAGE %d
" % i)

    device.close()
    fp.close()

    return outfp.getvalue()

编辑(再一次)：

版本更新20110515（感谢 Oeufcoque Penteano！）：

def pdf_to_csv(filename):
    from cStringIO import StringIO  
    from pdfminer.converter import LTChar, TextConverter
    from pdfminer.layout import LAParams
    from pdfminer.pdfparser import PDFDocument, PDFParser
    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

    class CsvConverter(TextConverter):
        def __init__(self, *args, **kwargs):
            TextConverter.__init__(self, *args, **kwargs)

        def end_page(self, i):
            from collections import defaultdict
            lines = defaultdict(lambda : {})
            for child in self.cur_item._objs:                #<-- changed
                if isinstance(child, LTChar):
                    (_,_,x,y) = child.bbox                   
                    line = lines[int(-y)]
                    line[x] = child._text.encode(self.codec) #<-- changed

            for y in sorted(lines.keys()):
                line = lines[y]
                self.outfp.write(";".join(line[x] for x in sorted(line.keys())))
                self.outfp.write("
")

    # ... the following part of the code is a remix of the 
    # convert() function in the pdfminer/tools/pdf2text module
    rsrc = PDFResourceManager()
    outfp = StringIO()
    device = CsvConverter(rsrc, outfp, codec="utf-8", laparams=LAParams())
        # becuase my test documents are utf-8 (note: utf-8 is the default codec)

    doc = PDFDocument()
    fp = open(filename, 'rb')
    parser = PDFParser(fp)       
    parser.set_document(doc)     
    doc.set_parser(parser)       
    doc.initialize('')

    interpreter = PDFPageInterpreter(rsrc, device)

    for i, page in enumerate(doc.get_pages()):
        outfp.write("START PAGE %d
" % i)
        if page is not None:
            interpreter.process_page(page)
        outfp.write("END PAGE %d
" % i)

    device.close()
    fp.close()

    return outfp.getvalue()

解决方案 3：

由于这些解决方案都不支持最新版本的 PDFMiner，因此我编写了一个简单的解决方案，它将使用 PDFMiner 返回 pdf 的文本。这将适用于那些在使用时遇到导入错误的人process_pdf

import sys
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter
from pdfminer.layout import LAParams
from cStringIO import StringIO

def pdfparser(data):

    fp = file(data, 'rb')
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    # Create a PDF interpreter object.
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    # Process each page contained in the document.

    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        data =  retstr.getvalue()

    print data

if __name__ == '__main__':
    pdfparser(sys.argv[1])

请参阅以下适用于 Python 3 的代码：

import sys
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter
from pdfminer.layout import LAParams
import io

def pdfparser(data):

    fp = open(data, 'rb')
    rsrcmgr = PDFResourceManager()
    retstr = io.StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    # Create a PDF interpreter object.
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    # Process each page contained in the document.

    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        data =  retstr.getvalue()

    print(data)

if __name__ == '__main__':
    pdfparser(sys.argv[1])

解决方案 4：

Pdftotext一个开源程序（Xpdf 的一部分），你可以从 python 调用它（不是你想要的，但可能有用）。我用过它，没有问题。我认为谷歌在谷歌桌面上使用它。

解决方案 5：

pyPDF运行良好（假设您使用的是格式良好的 PDF）。如果您只需要文本（带空格），您可以这样做：

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

您还可以轻松访问元数据、图像数据等。

extractText代码中的注释如下：

按照内容流中提供的顺序找到所有文本绘制命令，并提取文本。这对某些 PDF 文件很有效，但对其他文件则效果不佳，具体取决于所使用的生成器。这将在未来得到改进。不要依赖此功能输出的文本顺序，因为如果此功能变得更加复杂，文本顺序将会改变。

这是否是个问题取决于你对文本的操作（例如，如果顺序无关紧要，那就没问题，或者如果生成器按照显示的顺序将文本添加到流中，那就没问题）。我每天都在使用 pyPdf 提取代码，没有任何问题。

解决方案 6：

您还可以非常轻松地将 pdfminer 用作库。您可以访问 pdf 的内容模型，并可以创建自己的文本提取。我这样做是为了将 pdf 内容转换为分号分隔的文本，使用以下代码。

该函数只是根据 TextItem 内容对象的 y 和 x 坐标对其进行排序，并将具有相同 y 坐标的项目输出为一行文本，并使用 ';' 字符分隔同一行上的对象。

使用这种方法，我能够从 PDF 中提取文本，而其他工具无法从中提取适合进一步解析的内容。我尝试过的其他工具包括 pdftotext、ps2ascii 和在线工具 pdftextonline.com。

pdfminer 是一款非常有用的 pdf 抓取工具。


def pdf_to_csv(filename):
    from pdflib.page import TextItem, TextConverter
    from pdflib.pdfparser import PDFDocument, PDFParser
    from pdflib.pdfinterp import PDFResourceManager, PDFPageInterpreter

    class CsvConverter(TextConverter):
        def __init__(self, *args, **kwargs):
            TextConverter.__init__(self, *args, **kwargs)

        def end_page(self, i):
            from collections import defaultdict
            lines = defaultdict(lambda : {})
            for child in self.cur_item.objs:
                if isinstance(child, TextItem):
                    (_,_,x,y) = child.bbox
                    line = lines[int(-y)]
                    line[x] = child.text

            for y in sorted(lines.keys()):
                line = lines[y]
                self.outfp.write(";".join(line[x] for x in sorted(line.keys())))
                self.outfp.write("
")

    # ... the following part of the code is a remix of the 
    # convert() function in the pdfminer/tools/pdf2text module
    rsrc = PDFResourceManager()
    outfp = StringIO()
    device = CsvConverter(rsrc, outfp, "ascii")

    doc = PDFDocument()
    fp = open(filename, 'rb')
    parser = PDFParser(doc, fp)
    doc.initialize('')

    interpreter = PDFPageInterpreter(rsrc, device)

    for i, page in enumerate(doc.get_pages()):
        outfp.write("START PAGE %d
" % i)
        interpreter.process_page(page)
        outfp.write("END PAGE %d
" % i)

    device.close()
    fp.close()

    return outfp.getvalue()

更新：

上面的代码是针对旧版本的 API 编写的，请参阅下面的评论。

解决方案 7：

slate是一个可以非常简单地从库中使用 PDFMiner 的项目：

>>> with open('example.pdf') as f:
...    doc = slate.PDF(f)
...
>>> doc
[..., ..., ...]
>>> doc[1]
'Text from page 2...'

解决方案 8：

我需要在 Python 模块中将特定的 PDF 转换为纯文本。我使用了PDFMiner 20110515，在阅读了他们的pdf2txt.py工具后，我写了这个简单的代码片段：

from cStringIO import StringIO
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams

def to_txt(pdf_path):
    input_ = file(pdf_path, 'rb')
    output = StringIO()

    manager = PDFResourceManager()
    converter = TextConverter(manager, output, laparams=LAParams())
    process_pdf(manager, converter, input_)

    return output.getvalue()

解决方案 9：

重新利用 pdfminer 附带的 pdf2txt.py 代码；您可以创建一个函数，该函数将获取 pdf 的路径；可选地，outtype（txt|html|xml|tag）和 opts，如命令行 pdf2txt {'-o': '/path/to/outfile.txt' ...}。默认情况下，您可以调用：

convert_pdf(path)

将创建一个文本文件，它是文件系统中原始 pdf 的兄弟文件。

def convert_pdf(path, outtype='txt', opts={}):
    import sys
    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter, process_pdf
    from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter, TagExtractor
    from pdfminer.layout import LAParams
    from pdfminer.pdfparser import PDFDocument, PDFParser
    from pdfminer.pdfdevice import PDFDevice
    from pdfminer.cmapdb import CMapDB

    outfile = path[:-3] + outtype
    outdir = '/'.join(path.split('/')[:-1])

    debug = 0
    # input option
    password = ''
    pagenos = set()
    maxpages = 0
    # output option
    codec = 'utf-8'
    pageno = 1
    scale = 1
    showpageno = True
    laparams = LAParams()
    for (k, v) in opts:
        if k == '-d': debug += 1
        elif k == '-p': pagenos.update( int(x)-1 for x in v.split(',') )
        elif k == '-m': maxpages = int(v)
        elif k == '-P': password = v
        elif k == '-o': outfile = v
        elif k == '-n': laparams = None
        elif k == '-A': laparams.all_texts = True
        elif k == '-D': laparams.writing_mode = v
        elif k == '-M': laparams.char_margin = float(v)
        elif k == '-L': laparams.line_margin = float(v)
        elif k == '-W': laparams.word_margin = float(v)
        elif k == '-O': outdir = v
        elif k == '-t': outtype = v
        elif k == '-c': codec = v
        elif k == '-s': scale = float(v)
    #
    CMapDB.debug = debug
    PDFResourceManager.debug = debug
    PDFDocument.debug = debug
    PDFParser.debug = debug
    PDFPageInterpreter.debug = debug
    PDFDevice.debug = debug
    #
    rsrcmgr = PDFResourceManager()
    if not outtype:
        outtype = 'txt'
        if outfile:
            if outfile.endswith('.htm') or outfile.endswith('.html'):
                outtype = 'html'
            elif outfile.endswith('.xml'):
                outtype = 'xml'
            elif outfile.endswith('.tag'):
                outtype = 'tag'
    if outfile:
        outfp = file(outfile, 'w')
    else:
        outfp = sys.stdout
    if outtype == 'txt':
        device = TextConverter(rsrcmgr, outfp, codec=codec, laparams=laparams)
    elif outtype == 'xml':
        device = XMLConverter(rsrcmgr, outfp, codec=codec, laparams=laparams, outdir=outdir)
    elif outtype == 'html':
        device = HTMLConverter(rsrcmgr, outfp, codec=codec, scale=scale, laparams=laparams, outdir=outdir)
    elif outtype == 'tag':
        device = TagExtractor(rsrcmgr, outfp, codec=codec)
    else:
        return usage()

    fp = file(path, 'rb')
    process_pdf(rsrcmgr, device, fp, pagenos, maxpages=maxpages, password=password)
    fp.close()
    device.close()

    outfp.close()
    return

解决方案 10：

我尝试用 PDFminer 在每一页 pdf 文件中只显示一行 [第 1 页，共 7 页...]。

到目前为止我得到的最佳答案是 pdftoipe，或者基于 Xpdf 的 c++ 代码。

请参阅我的问题，了解 pdftoipe 的输出是什么样的。

解决方案 11：

此外，还有PDFTextStream，它是一个商业 Java 库，也可以在 Python 中使用。

解决方案 12：

我使用了pdftohtml参数-xml，用读取结果subprocess.Popen()，这将为您提供 pdf 中每个文本片段的 x 坐标、y 坐标、宽度、高度和字体。我认为“evince”可能也使用了这种方法，因为会出现相同的错误消息。

如果您需要处理列数据，那么事情会变得稍微复杂一些，因为您必须发明一种适合您的 pdf 文件的算法。问题是，制作 PDF 文件的程序实际上并不一定以任何逻辑格式布局文本。您可以尝试简单的排序算法，有时它会起作用，但可能会有一些“落后者”和“离群者”，即文本片段没有按照您认为的顺序排列。所以你必须发挥创造力。

我花了大约 5 个小时才找到一个适合我正在处理的 PDF 的版本。不过现在它运行得很好。祝你好运。