我试图使用Python提取包含在这个PDF文件中的文本。
我正在使用PyPDF2包(版本1.27.2)，并有以下脚本:
import PyPDF2
with open("sample.pdf", "rb") as pdf_file:
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.pages[0]
page_content = page.extractText()
print(page_content)
当我运行代码时，我得到以下输出，这与PDF文档中包含的输出不同:
! " # $ % # $ % &% $ &' ( ) * % + , - % . / 0 1 ' * 2 3% 4
5
' % 1 $ # 2 6 % 3/ % 7 / ) ) / 8 % &) / 2 6 % 8 # 3" % 3" * % 31 3/ 9 # &)
%
如何提取PDF文档中的文本?
当前回答
使用pdfminer.six。这里是文档:https://pdfminersix.readthedocs.io/en/latest/index.html
将pdf转换为文本:
def pdf_to_text():
from pdfminer.high_level import extract_text
text = extract_text('test.pdf')
print(text)
其他回答
PyPDF2确实有效，但结果可能有所不同。我从其结果提取中看到了相当不一致的结果。
reader=PyPDF2.pdf.PdfFileReader(self._path)
eachPageText=[]
for i in range(0,reader.getNumPages()):
pageText=reader.getPage(i).extractText()
print(pageText)
eachPageText.append(pageText)
如何从PDF文件中提取文本?
首先要了解的是PDF格式。它有一个用英文编写的公共规范，请参阅ISO 32000-2:2017，并阅读超过700页的PDF 1.7规范。当然，你至少需要阅读维基百科关于PDF的页面
一旦你理解了PDF格式的细节，提取文本或多或少是容易的(但是出现在图形或图像中的文本呢?它的数字1)?不要指望在几周内单独编写一个完美的软件文本提取器....
在Linux上，你也可以使用pdf2text，你可以从你的Python代码中弹出。
一般来说，从PDF文件中提取文本是一个定义不清的问题。对于人类读者来说，一些文本可以由不同的点制成(图形)，或者一张照片等等。
谷歌搜索引擎能够从PDF中提取文本，但据传需要超过5亿行的源代码。你有必要的资源(人力和预算)来发展一个竞争对手吗?
一种可能是将PDF打印到一些虚拟打印机(例如使用GhostScript或Firefox)，然后使用OCR技术提取文本。
相反，我建议处理生成PDF文件的数据表示，例如原始的LaTeX代码(或Lout代码)或OOXML代码。
在所有情况下，您都需要为至少几个人年的软件开发预算。
你可以从这里下载tika-app-xxx.jar(最新)。
然后将这个.jar文件放在python脚本文件的同一文件夹中。
然后在脚本中插入如下代码:
import os
import os.path
tika_dir=os.path.join(os.path.dirname(__file__),'<tika-app-xxx>.jar')
def extract_pdf(source_pdf:str,target_txt:str):
os.system('java -jar '+tika_dir+' -t {} > {}'.format(source_pdf,target_txt))
该方法的优点:
更少的依赖。单个.jar文件比python包更容易管理。
开始支持。位置source_pdf可以是任何类型文档的目录。(.doc， .html， .odt等)
最新的。tika-app.jar始终先于相关版本的tika python包发布。
稳定。它比PyPDF更加稳定和维护良好(由Apache提供支持)。
劣势:
一个无头小丑是必要的。
多页pdf可以提取为文本在单一延伸，而不是给个别页码作为参数使用下面的代码
import PyPDF2
import collections
pdf_file = open('samples.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
c = collections.Counter(range(number_of_pages))
for i in c:
page = read_pdf.getPage(i)
page_content = page.extractText()
print page_content.encode('utf-8')
Camelot似乎是在Python中从pdf中提取表的一个相当强大的解决方案。
乍一看，它似乎实现了几乎和CreekGeek建议的tabura -py包一样准确的提取，CreekGeek在可靠性方面已经超过了任何其他发布的解决方案，但它应该是更可配置的。此外，它有自己的精度指示器(results.parsing_report)，以及强大的调试功能。
Camelot和Tabula都将结果作为Pandas的dataframe提供，因此之后很容易调整表。
pip install camelot-py
(不要与卡梅洛特的包装混淆。)
import camelot
df_list = []
results = camelot.read_pdf("file.pdf", ...)
for table in results:
print(table.parsing_report)
df_list.append(results[0].df)
它还可以输出结果为CSV, JSON, HTML或Excel。
卡梅洛特的到来是以牺牲许多属地为代价的。
NB :由于我的输入非常复杂，有许多不同的表，我最终使用Camelot和Tabula，根据表，以达到最好的结果。
