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
我在寻找一个简单的解决方案来使用python 3。X和窗口。textract似乎不支持，这是不幸的，但如果你正在寻找一个简单的解决方案的windows/python 3签出tika包，真的直接阅读pdf。
Tika-Python是绑定到Apache Tika™REST服务的Python，允许在Python社区中本地调用Tika。
from tika import parser # pip install tika
raw = parser.from_file('sample.pdf')
print(raw['content'])
注意，Tika是用Java编写的，因此需要安装Java运行时
其他回答
它包括根据文档中的页数动态设置为每个PDF页创建一个新工作表。
import PyPDF2 as p2
import xlsxwriter
pdfFileName = "sample.pdf"
pdfFile = open(pdfFileName, 'rb')
pdfread = p2.PdfFileReader(pdfFile)
number_of_pages = pdfread.getNumPages()
workbook = xlsxwriter.Workbook('pdftoexcel.xlsx')
for page_number in range(number_of_pages):
print(f'Sheet{page_number}')
pageinfo = pdfread.getPage(page_number)
rawInfo = pageinfo.extractText().split('\n')
row = 0
column = 0
worksheet = workbook.add_worksheet(f'Sheet{page_number}')
for line in rawInfo:
worksheet.write(row, column, line)
row += 1
workbook.close()
使用textract。
http://textract.readthedocs.io/en/latest/ https://github.com/deanmalmgren/textract
它支持包括pdf在内的多种文件类型
import textract
text = textract.process("path/to/file.extension")
Pdfplumber是一个更好的从pdf中读取和提取数据的库。它还提供了读取表数据的方法，在经历了大量这样的库之后，pdfplumber最适合我。
请注意，它最适合机器编写的pdf，而不是扫描的pdf。
import pdfplumber
with pdfplumber.open(r'D:\examplepdf.pdf') as pdf:
first_page = pdf.pages[0]
print(first_page.extract_text())
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。
在尝试textract(似乎有太多依赖项)和pypdf2(无法从我测试的pdf中提取文本)和tika(太慢)后，我最终使用xpdf中的pdftotext(正如已经在另一个答案中建议的那样)，并直接从python中调用二进制(您可能需要调整路径到pdftotext):
import os, subprocess
SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
args = ["/usr/local/bin/pdftotext",
'-enc',
'UTF-8',
"{}/my-pdf.pdf".format(SCRIPT_DIR),
'-']
res = subprocess.run(args, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
output = res.stdout.decode('utf-8')
有pdftotext，它基本上相同，但这假设pdftotext在/usr/local/bin中，而我在AWS lambda中使用这个，并希望从当前目录使用它。
顺便说一句:要在lambda上使用这个，你需要把二进制文件和依赖项放到libstdc++中。到函数中。我个人需要编译xpdf。由于这方面的说明会让这个答案变得更糟，我把它们放在了我的个人博客上。
