如何用Python读取PDF文件中的简单文本？

Question

需要解析一个PDF文件，以便只提取最初的文本行，并寻找不同的Python包来完成这项工作，但没有任何运气。

尝试过：

tika,它给出了不同的终端错误消息,并且非常慢

pdftotext安装失败

pdf2text在“导入pdf2text”时失败，并且当更改为“pdftotext”时，即使通过PIP列表显示安装了“extractor”，也无法使用“importerror:无法导入名称'extractor'”导入

通常，我发现安装的Python包工作得非常好，但是将PDF解析为文本似乎是一个丛林，无数的工具也表明了这一点。

有什么建议，如何做简单的解析PDF文件到文本在Python？

添加PyPDF2示例

import PyPDF2
pdfFileObj = open('file.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj_0 = pdfReader.getPage(0)
print(pageObj_0.extractText())

$%$%&%&$'('～！）“*+#

Answer 1

基于pdfminer，我能够将pdf2txt.py脚本（随pdfminer提供）中的基本必要性提取到一个函数中：

import io

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

def pdf_to_text(path):
    with open(path, 'rb') as fp:
        rsrcmgr = PDFResourceManager()
        outfp = io.StringIO()
        laparams = LAParams()
        device = TextConverter(rsrcmgr, outfp, laparams=laparams)
        interpreter = PDFPageInterpreter(rsrcmgr, device)
        for page in PDFPage.get_pages(fp):
            interpreter.process_page(page)
    text = outfp.getvalue()
    return text