使用Python中的PDFMiner从PDF文件提取文本？

Question

我正在寻找有关如何使用带有Python的PDFMiner从PDF文件提取文本的文档 或 示例。

看来PDFMiner更新了他们的API，我发现的所有相关示例都包含过时的代码（类和方法已更改）。我发现的那些使从PDF文件提取文本的任务更加容易的库正在使用旧的PDFMiner语法，因此我不确定如何执行此操作。

照原样，我只是在查看源代码，以查看是否可以解决。

Answer 1

这是一个使用当前版本的PDFMiner从PDF文件提取文本的工作示例（2016年9月）

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

PDFMiner的结构最近发生了变化，因此应该可以从PDF文件中提取文本。

编辑 ：截至2018年6月7日仍在工作。在Python Version 3.x中验证

编辑：该解决方案于2019年10月3日与Python 3.7一起使用。我使用了Python库pdfminer.six，该库于2018年11月发布。