在 Python 中阅读 PDF 并转换为 PDF 中的文本

Question

我已使用此代码将 pdf 转换为文本。

input1 = '//Home//Sai Krishna Dubagunta.pdf'
output = '//Home//Me.txt'
os.system(("pdftotext %s %s") %( input1, output))

我已经创建了主目录并将源文件粘贴到其中。

我得到的输出是

1

并且没有创建带有 .txt 的文件。问题出在哪里？

Answer 1

有多种 Python 包可以使用 Python 从 PDF 中提取文本。

pdftotext

pdftotext 包：似乎工作得很好，但它没有选项，例如提取边界框

安装

对于 Ubuntu：

sudo apt-get install build-essential libpoppler-cpp-dev pkg-config python-dev

最小的工作示例

import pdftotext

with open("lorem_ipsum.pdf", "rb") as f:
    pdf = pdftotext.PDF(f)

# Iterate over all the pages
for page in pdf:
    print(page)

# Just read the second page
print(pdf.read(2))

# Or read all the text at once
print(pdf.read_all())

PDF 挖掘器

使用pip install pdfminer.six 安装它。一个最小的工作示例是here。

Answer 2

你的表情

("pdftotext %s %s") %( input1, output)

将转换为

pdftotext //Home//Sai Krishna Dubagunta.pdf //Home//Me.txt

表示传递给pdftotext的第一个参数是//Home//Sai，第二个参数是Krishna。这显然行不通。

用引号将参数括起来：

os.system("pdftotext '%s' '%s'" % (input1, output))

Answer 3

我认为 pdftotext 命令只需要一个参数。尝试使用：

os.system(("pdftotext %s") % input1)

看看会发生什么。希望这会有所帮助。