使用 io 从 PDF url 中提取文本，PyPDF2 没有输出答案

【问题标题】：Extract text from PDF url with io and PyPDF2 gives no output使用 io 从 PDF url 中提取文本，PyPDF2 没有输出
【发布时间】：2021-02-27 19:46:02
【问题描述】：

我正在尝试从 pdf 网址中提取文本。如果我下载 PDF，我可以使用函数 slate 轻松提取文本。但是，当尝试使用 io 导入 pdf 并提取文本时，返回的输出什么都没有。下面附上代码。

import requests, PyPDF2, io
from io import BytesIO

url = 'https://www.poderjudicial.es/search/contenidos.action?action=accessToPDF&publicinterface=true&tab=AN&reference=e3ca421447bc6b71&encode=true&optimize=20210216&databasematch=AN'

response = requests.get(url)
f = io.BytesIO(response.content)

with f as data:
    read_pdf = PyPDF2.PdfFileReader(data)
    page = read_pdf.getPage(1)
    print(page.extractText())

我尝试了许多其他功能，但都无法正常工作。我做错了吗？

【问题讨论】：

response.content 的前十个字节是b'%PDF-1.4\n%'，所以这在程序中似乎是一个有效的 PDF 文件。你试过打印属性read_pdf.numPages吗？

标签： python web-scraping io pdftotext pdf-extraction

【解决方案1】：

它也给了我空白输出。我不确定为什么。但是您是否尝试过使用 pdfminer3 。它给了我正确的文本输出。以下代码为我提供了文件的正确输出。

import requests
from pdfminer3.layout import LAParams, LTTextBox
from pdfminer3.pdfpage import PDFPage
from pdfminer3.pdfinterp import PDFResourceManager
from pdfminer3.pdfinterp import PDFPageInterpreter
from pdfminer3.converter import PDFPageAggregator
from pdfminer3.converter import TextConverter
import io

resource_manager = PDFResourceManager()
fake_file_handle = io.StringIO()
converter = TextConverter(resource_manager, fake_file_handle, laparams=LAParams())
page_interpreter = PDFPageInterpreter(resource_manager, converter)

url = 'https://www.poderjudicial.es/search/contenidos.action?action=accessToPDF&publicinterface=true&tab=AN&reference=e3ca421447bc6b71&encode=true&optimize=20210216&databasematch=AN'

response = requests.get(url)
f = io.BytesIO(response.content)

with f as fh:

    for page in PDFPage.get_pages(fh,
                                  caching=True,
                                  check_extractable=True):
        page_interpreter.process_page(page)

    text = fake_file_handle.getvalue()

# close open handles
converter.close()
fake_file_handle.close()

print(text)

也看看这篇文章 How to use PDFminer.six with python 3?.

【讨论】：