在 Python 3.4 中从 PDF 中提取文本的最佳工具 [关闭]

Question

我使用的是 Python 3.4，需要从 PDF 中提取所有文本，然后将其用于文本处理。

我看到的所有答案都建议了 Python 2.7 的选项。

我需要 Python 3.4 中的一些东西。

邦森

Answer 1

import pdfreader
pdfFileObj = open('/tmp/Test-test-test.pdf','rb')
viewer = SimplePDFViewer(pdfFileObject)
viewer.navigate(1)
viewer.render()
viewer.canvas.strings

Answer 2

slate3k 非常适合提取文本。我已经使用 Python 3.7.3 对几个 PDF 文件进行了测试，例如，它比 PyPDF2 准确得多。它是 slate 的一个分支，它是 PDFMiner 的包装器。这是我正在使用的代码：

import slate3k as slate

with open('Sample.pdf', 'rb') as f:
    doc = slate.PDF(f)

doc
#prints the full document as a list of strings
#each element of the list is a page in the document

doc[0]
#prints the first page of the document

感谢 GitHub 上的此评论： https://github.com/mstamy2/PyPDF2/issues/437#issuecomment-400491342

Answer 3

补充 @Sarah 的 答案。 PDFMiner 是一个不错的选择。我已经使用它很长一段时间了，直到现在它在从 PDF 中提取文本内容方面效果很好。我所做的是创建一个使用CLI client from pdfminer 的函数，然后将输出保存到一个变量中（稍后我可以在其他地方使用）。我使用的 Python 版本是 3.6，该函数运行良好并且可以完成所需的工作，所以也许这对你有用：

def pdf_to_text(filepath):
    print('Getting text content for {}...'.format(filepath))
    process = subprocess.Popen(['pdf2txt.py', filepath], stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
    stdout, stderr = process.communicate()

    if process.returncode != 0 or stderr:
        raise OSError('Executing the command for {} caused an error:\nCode: {}\nOutput: {}\nError: {}'.format(filepath, process.returncode, stdout, stderr))

    return stdout.decode('utf-8')

您当然必须导入子流程模块：import subprocess

Answer 4

pdfminer.six (https://github.com/pdfminer/pdfminer.six) 也已在其他地方推荐，旨在支持 Python 3。但我不能亲自担保，因为它在安装 MacOS 期间失败。 （有一个未解决的问题，它似乎是最近的问题，所以可能会有一个快速修复。）

Answer 5

您需要安装 PyPDF2 模块才能在 Python 3.4 中处理 PDF。 PyPDF2 不能提取图像、图表或其他媒体，但它可以提取文本并将其作为 Python 字符串返回。要安装它，请从命令行运行 pip install PyPDF2。此模块名称区分大小写，因此请确保输入小写的“y”，所有其他字符均输入大写。

>>> import PyPDF2
>>> pdfFileObj = open('my_file.pdf','rb')     #'rb' for read binary mode
>>> pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
>>> pdfReader.numPages
56
>>> pageObj = pdfReader.getPage(9)          #'9' is the page number
>>> pageObj.extractText()

最后一条语句返回“my_file.pdf”文档第 9 页中可用的所有文本。