如何使用Python从本地PDF文件中获取文本

Question

请不要使用“tika”作为答案。我已经尝试了这个问题的答案：

如何从PDF文件中提取文本？

我有这个PDF文件，https://drive.google.com/file/d/1aUfQAlvq5hA9kz2c9CyJADiY3KpY3-Vn/view?usp=sharing，我想复制文本。

import PyPDF2
pdfFileObject = open('C:\\Path\\To\\Local\\File\\Test_PDF.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObject)
count = pdfReader.numPages
for i in range(count):
    page = pdfReader.getPage(i)
    print(page.extractText())

输出为“提交日期：2019-10-21 16:03:36.093 |表单键：5544”，这只是文本的一部分。下一行文字以“RFA附件A….”开头

Answer 1

找到了解决方案。

#pip install pdfminer.six
import io

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


def convert_pdf_to_txt(path):
    '''Convert pdf content from a file path to text

    :path the file path
    '''
    rsrcmgr = PDFResourceManager()
    codec = 'utf-8'
    laparams = LAParams()

    with io.StringIO() as retstr:
        with TextConverter(rsrcmgr, retstr, codec=codec,
                           laparams=laparams) as device:
            with open(path, 'rb') as fp:
                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)

                return retstr.getvalue()


if __name__ == "__main__":
    print(convert_pdf_to_txt('C:\\Path\\To\\Test_PDF.pdf'))

Answer 2

我自己从来没有使用过PYPDF2，所以无法真正输入我的知识来找出到底出了什么问题。但是文档中的以下内容说明了有关函数的以下内容

按内容流中提供的顺序定位所有文本绘制命令，并提取文本。这适用于某些PDF文件，但对于其他文件效果不佳，具体取决于使用的生成器。这将在未来得到完善。不要依赖于此函数输出的文本顺序，因为如果此函数变得更复杂，则会发生变化。

这里有另一种方法可以解决这个问题，也可以解释可能出了什么问题。我还建议使用pdftotext。这对我来说已经可靠地工作了很多次；这个答案也将证明是有帮助的。