如何从Python中的PDF文件中提取文本？

问题描述：

如何从Python中的PDF文件中提取文本？如何从Python中的PDF文件中提取文本？

我尝试以下：

import sys 
import pyPdf 

def convertPdf2String(path): 
     content = "" 
     pdf = pyPdf.PdfFileReader(file(path, "rb")) 
     for i in range(0, pdf.getNumPages()): 
      content += pdf.getPage(i).extractText() + " \n" 
      content = " ".join(content.replace(u"\xa0", u" ").strip().split()) 
     return content 

f = open('a.txt','w+') 

f.write(convertPdf2String(sys.argv[1]).encode("ascii","xmlcharrefreplace")) 
f.close()

但结果如下，而不是可读文本：

728; ˇ ˆ ˜ ˚ ˇ ˇ！ “” ˘ ˇ ˆ ˙ ˆ ˝ ˛ ˛ ˛ ˛ ˆ ˜ ˆ ˆ ˆ ˘ ˆ ˛ ˙ ˆ “ˆ ˘” ˆ ˆ ˆ ˜＃$ ˙ ˆ ˚ ˆ％& ˆ ˘ ˛ ˆ ˜ '˙ ˙％˝ ˛ ˆ ˇ ˙ ˜ ˆ ˆ ˜' ˆ ˇ ˆ＃$％&（“％$ &））$ $ +％＃， - + & & （）˝） ˝ + ,, - 。/ 012）（˝）* ˝ +， - 3 ˙ ˆ/0245）6＃57 + 82,55）6＃57 +，+ 2，+ /！＃!! & ˘ ˘ 1" ％ 07％4 ˘！ “6 ˛ ˆ ˝ ˆ ˆ ˘ &/& 4” 9 ˆ％6 ˇ％4％4 2）˘ ˘ ˛％：6 （

PDF文件不一定必须包含在一个合理的方式导出文本（出现这样），因为有一个PDF创建工具如何处理文本的各种选项。不能保证你可以根据你的需要整体提取。我认为你的PDF是那些看起来不错的PDF文件之一，但可以用合理的方式提取内容。 – 2013-03-23 05:17:34

我认为这是类似的问题，因为我在这里：[链接]（http://*.com/questions/14474405/indexing-pdf-from-badly-authored-latex-source）。如果您需要这些PDF文件中包含的信息，那么最好的办法是转储TIFF（即使用ghostscript）并执行OCR（即tesseract）。 – theta 2013-03-23 10:53:07

答

如果您正在运行linux或mac，您可以使用ps2 ASCII命令代码：

import os 

input="someFile.pdf" 
output="out.txt" 
os.system(("ps2ascii %s %s") %(input , output))

有谁知道如何解决在Windows中？ – Milee 2013-11-15 13:33:28

@anony尝试'pdftotext'而不是'ps2ascii' – Moj 2013-11-15 15:05:18

感谢@Moj __pdftotext__为我工作 – 2014-06-05 18:11:58

如何从Python中的PDF文件中提取文本？

相关推荐