Estrazione di testo da un file PDF utilizzando PDFMiner in python?

Question

Python Versione 2.7

Cerco documentazione o esempi su come estrarre il testo da un file PDF utilizzando PDFMiner con Python.

Sembra che PDFMiner abbia aggiornato la propria API e tutti gli esempi rilevanti che ho trovato contengano codice obsoleto (le classi e i metodi sono cambiati). Le librerie che ho trovato che semplificano l'estrazione di testo da un file PDF utilizzano la vecchia sintassi di PDFMiner, quindi non sono sicuro di come farlo.

Così com'è, sto solo guardando il codice sorgente per vedere se riesco a capirlo.

Answer 1

Ecco un esempio di lavoro di estrazione di testo da un file PDF utilizzando la versione corrente di PDFMiner (settembre 2016)

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter 
from pdfminer.converter import TextConverter 
from pdfminer.layout import LAParams 
from pdfminer.pdfpage import PDFPage 
from cStringIO 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 = file(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 

della struttura PDFMiner cambiato di recente, quindi questo dovrebbe funzionare per estrarre il testo dai file PDF.

Edit: Ancora lavorando a partire dal 1 ° febbraio del 2017.

Answer 2

risposta formidabile da DuckPuncher, per python3 assicurarsi di installare pdfminer2 e fare:

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): 
    rsrcmgr = PDFResourceManager() 
    retstr = io.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