【发布时间】：2011-08-22 04:36:44
【问题描述】：
我发现很多帖子都提出了阅读 PDF 的解决方案。我想逐字阅读PDF文件并对其进行一些处理。人们建议使用 pdfMiner 将整个 PDF 文件转换为文本文件。但我想要的是逐字阅读PDF。谁能推荐一个这样做的图书馆？
【问题讨论】：
【发布时间】：2011-08-22 04:36:44
【问题描述】：
可能最快的方法是首先使用 pdftotext 将您的 pdf 转换为文本文件（在 pdfMiner 的网站上，有一个声明说 pdfMiner 比 pdftotext 慢 20 倍），然后像往常一样解析文本文件。
另外，当您说“我想逐字读取 pdf 文件并对其进行一些处理”时，您没有指定是否要根据 pdf 文件中的单词进行处理，或者您实际上是想修改pdf文件本身。如果是第二种情况，那么你手上的问题就完全不同了。
【讨论】：
-
处理意味着我想在它上面使用正则表达式，如果它通过了所有正则表达式，我将把它放入数据库......我正在构建一个搜索所有 pdf 的搜索引擎..
我正在使用 pdfminer，它是一个出色的库，特别是如果您习惯使用 python 编程的话。它读取 PDF 并提取每个字符，并将其边界框作为元组 (x0,y0,x1,y1) 提供。 Pdfminer 将提取矩形、线条和一些图像，并尝试检测单词。它有一个令人不快的 O(N^3) 例程来分析边界框以合并它们，因此在某些文件上它可能会变得非常慢。尝试转换您的典型文件 - 可能对您来说很快，或者可能需要 1 小时，具体取决于文件。
您可以轻松地将 pdf 作为文本转储，这是您应该为您的应用程序尝试的第一件事。您也可以转储 XML（见下文），但不能修改 PDF。 XML 是您可以从中获得的最完整的 PDF 表示形式。
您必须通读示例才能在您的 python 代码中使用它，它没有太多文档。
PdfMiner 附带的将 PDF 转换为 xml 的示例展示了如何在代码中使用 lib。它还向您展示了以人类可读（就 xml 而言）形式提取的内容。
您可以使用参数调用它，告诉它“分析”pdf。如果你这样做，它会将字母合并成文本块（单词和句子；句子会有空格，因此很容易在 python 中标记为单词）。
【讨论】：
虽然我真的很喜欢 pdfminer 的答案，但我想说的是，随着时间的推移，软件包并不相同。当前的 pdfminer 仍然不支持 Python3，可能需要更新。 因此，要更新主题 - 即使答案已经投票 - 我建议从网站转到 pdfrw：
- 0.3 版经过测试，可在 Python 2.6、2.7、3.3、3.4 和 3.5 上运行 操作包括子集、合并、旋转、修改元数据等
- 目前最快的纯 Python PDF 解析器已被打印机用于印前生产多年
- 可与 rst2pdf 配合使用，忠实再现矢量图像
- 可以单独使用，也可以与 reportlab 结合使用，以在新的 PDF 中重复使用现有的 PDF
- 许可许可
【讨论】：
-
pdfrw 并没有真正拥有挖掘文本流所需的所有部分，尽管在 examples/rl2 子目录中有开始。