阅读Python中的PDF并转换为PDF中的文本

Question

我使用此代码将pdf转换为文本。

input1 = '//Home//Sai Krishna Dubagunta.pdf'
output = '//Home//Me.txt'
os.system(("pdftotext %s %s") %( input1, output))

我已经创建了主目录并将源文件粘贴到其中。

我得到的输出是

1

并且没有创建带有. txt的文件。问题在哪里？

Answer 1

我认为pdftotext命令只接受一个参数。尝试使用：

os.system(("pdftotext %s") % input1)

看看会发生什么。希望这有帮助。

Answer 2

你的表情

("pdftotext %s %s") %( input1, output)

将翻译为

pdftotext //Home//Sai Krishna Dubagunta.pdf //Home//Me.txt

这意味着传递给pdftotext的第一个参数是Home//Sai，第二个参数是Krishna。这显然行不通。

用引号括住参数：

os.system("pdftotext '%s' '%s'" % (input1, output))

Answer 3

有各种Python包可以使用Python从PDF中提取文本。您可以看到速度/质量基准。

作为PyPDF2的维护者，我有偏见，但我建议人们从PyPDF2开始，因为它是纯python和BSD 3条款许可证。这对大多数人来说应该是可行的。PyPDF2还可以处理PDF文件（例如转换）。

如果您对C依赖性感到满意，并且不想修改PDF，那么试试pypdfium2。pypdfium2速度非常快，并且具有惊人的提取质量。

我之前推荐了Poppler pdftotext。不要用那个。它的质量比PDFium/PyPDF2差。

Tika和PyMuPDF的工作原理与PDFium类似，但它们也具有非python依赖性。由于商业许可，PyMuPDF可能不适用于您。

我不会使用pdfminer/pdfminer。six/pdfplumber/pdftotext/borb/pyPdf/PyPDF3/PyPDF4。

安装：pip安装PyPDF2（更多说明）

from PyPDF2 import PdfReader

reader = PdfReader("example.pdf")
text = ""
for page in reader.pages:
    text += page.extract_text() + "\n"

安装：pip安装pdfium2

import pypdfium2 as pdfium

text = ""
pdf = pdfium.PdfDocument(data)
for i in range(len(pdf)):
    page = pdf.get_page(i)
    textpage = page.get_textpage()
    text += textpage.get_text()
    text += "\n"
    [g.close() for g in (textpage, page)]
pdf.close()