我正在尝试关注此博客以尝试从发票 pdf 文件中提取文本。我的文本提取需要提取发票的特定字段。
我尝试过 pdfminer、textract，但它们都将文本提取为混乱，之后很难提取文本。
我在下面遇到了 Poppler 包下载：
https://poppler.freedesktop.org/releases.html
看起来它是一个 .tar 文件。而不是python包。
我不确定如何使用这个 .tar 文件来提取包并在 Python 中使用它。
任何建议我如何在我的 mac 上安装它，然后在 python 中以编程方式使用它来运行一堆 pdf 文件以提取数据。
【问题讨论】：
使用subprocess 从 xpdf 工具调用pdftotext 程序。您可以在https://www.xpdfreader.com/download.html 找到这些工具的 ms-windows 版本。获取“Xpdf 命令行工具”。
我这样使用它（python 3.7）：
import subprocess as sp
def pdftotext(path):
"""
Generate a text rendering of a PDF file in the form of a list of lines.
"""
args = ['pdftotext', '-layout', path, '-']
cp = sp.run(
args, stdout=sp.PIPE, stderr=sp.DEVNULL,
check=True, text=True
)
return cp.stdout
【讨论】：
poppler-utils 包。 Available 在 Linux 和 *BSD 上。
cmake、waf 或其他十几个。
你可以在这里尝试 poppler for python：https://pypi.org/project/python-poppler-qt5/
【讨论】：
python setup.py install