用于将PDF转换为文本的Python模块

Question

用于将PDF转换为文本的Python模块

哪些是将PDF文件转换为文本的最佳Python模块？

Answer 1

由于这些解决方案都不支持最新版本的PDFMiner，所以我编写了一个简单的解决方案，它将使用PDFMiner返回pdf文本。这将适用于那些获得导入错误的process_pdfimport sysfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.pdfpage import PDFPagefrom pdfminer.converter  import XMLConverter, HTMLConverter, TextConverterfrom pdfminer.layout import LAParamsfrom cStringIO import StringIOdef pdfparser(data):     fp = file(data, 'rb')     rsrcmgr = PDFResourceManager()     retstr = StringIO()     codec = 'utf-8'     laparams = LAParams()     device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)     # Create a PDF interpreter object.     interpreter = PDFPageInterpreter(rsrcmgr, device)     # Process each page contained in the document.     for page in PDFPage.get_pages(fp):         interpreter.process_page(page)         data =  retstr.getvalue()     print dataif __name__ == '__main__':     pdfparser(sys.argv[1])参见下面为Python 3工作的代码：import sysfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.pdfpage import PDFPagefrom pdfminer.converter  import XMLConverter, HTMLConverter, TextConverterfrom pdfminer.layout import LAParamsimport iodef pdfparser(data):     fp = open(data, 'rb')     rsrcmgr = PDFResourceManager()     retstr = io.StringIO()     codec = 'utf-8'     laparams = LAParams()     device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)     # Create a PDF interpreter object.     interpreter = PDFPageInterpreter(rsrcmgr, device)     # Process each page contained in the document.     for page in PDFPage.get_pages(fp):         interpreter.process_page(page)         data =  retstr.getvalue()     print(data)if __name__ == '__main__':     pdfparser(sys.argv[1])