使用Python中的PDFMiner从PDF文件提取文本？

Question 1

我正在寻找有关如何使用PDFMiner和Python从PDF文件提取文本的文档或示例。

看来PDFMiner更新了它们的API，我发现的所有相关示例都包含过时的代码（类和方法已更改）。我发现的那些使从PDF文件提取文本的任务更容易的库正在使用旧的PDFMiner语法，因此我不确定如何执行此操作。

照原样，我只是在查看源代码，以查看是否可以解决。

Question 2

这是一个使用当前版本的PDFMiner从PDF文件提取文本的工作示例（2016年9月）

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

PDFMiner的结构最近发生了变化，因此应该可以从PDF文件中提取文本。

编辑：截至2018年6月7日仍在工作。在Python版本3.x中验证

编辑：该解决方案于2019年10月3日与Python 3.7一起使用。我使用了Python库pdfminer.six，该库于2018年11月发布。

Question 3

DuckPuncher的出色回答，对于Python3，请确保您安装pdfminer2并执行以下操作：

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)



    fp.close()
    device.close()
    text = retstr.getvalue()
    retstr.close()
    return text

Question 4

这项功能将于2020年5月在Python3中使用PDFminer 6实现。

安装包装

$ pip install pdfminer.six

导入包

from pdfminer.high_level import extract_text

使用保存在磁盘上的PDF

text = extract_text('report.pdf')

或者：

with open('report.pdf','rb') as f:
    text = extract_text(open('report.pdf','rb'))

使用内存中已存在的PDF

如果PDF已在内存中（例如，使用请求库从Web检索），则可以使用该io库将其转换为流：

import io

response = requests.get(url)
text = extract_text(io.BytesIO(response.content))

与PyPDF2相比性能和可靠性

PDFminer.six比PyPDF2（某些类型的PDF失败）更可靠地工作，尤其是PDF版本1.7

但是，使用PDFminer.six提取文本的速度比PyPDF2慢6倍。

我timeit使用15英寸MBP（2018）来定时文本提取，仅用10页PDF来定时提取功能（没有打开文件等），并得到以下结果：

PDFminer.six: 2.88 sec
PyPDF2:       0.45 sec

pdfminer.six的占用空间也很大，需要pycryptodome，该pycryptodome需要安装GCC和其他工具，以将Alpine Linux上的最小安装docker映像从80 MB扩展到350 MB。PyPDF2没有明显的存储影响。

Question 5

完全公开，我是pdfminer.six的维护者之一。

如今，有多种API可以根据您的需要从PDF中提取文本。在幕后，所有这些API都使用相同的逻辑来解析和分析布局。

命令行

如果您只想提取一次文本，则可以使用命令行工具pdf2txt.py：

$ pdf2txt.py example.pdf

高级API

如果要使用Python提取文本，则可以使用高级api。如果要以编程方式从许多PDF提取文本，则此方法是首选解决方案。

from pdfminer.high_level import extract_text

text = extract_text('samples/simple1.pdf')

可组合的API

还有一个可组合的api，它在处理结果对象方面具有很大的灵活性。例如，您可以使用它来实现自己的布局算法。其他答案中建议使用此方法，但仅在需要自定义pdfminer.six行为方式时，才建议使用此方法。

from io import StringIO

from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser

output_string = StringIO()
with open('samples/simple1.pdf', 'rb') as in_file:
    parser = PDFParser(in_file)
    doc = PDFDocument(parser)
    rsrcmgr = PDFResourceManager()
    device = TextConverter(rsrcmgr, output_string, laparams=LAParams())
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    for page in PDFPage.create_pages(doc):
        interpreter.process_page(page)

print(output_string.getvalue())

Question 6

此代码已通过pdfminer for python 3（pdfminer-20191125）进行了测试

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

def parsedocument(document):
    # convert all horizontal text into a lines list (one entry per line)
    # document is a file stream
    lines = []
    rsrcmgr = PDFResourceManager()
    laparams = LAParams()
    device = PDFPageAggregator(rsrcmgr, laparams=laparams)
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    for page in PDFPage.get_pages(document):
            interpreter.process_page(page)
            layout = device.get_result()
            for element in layout:
                if isinstance(element, LTTextBoxHorizontal):
                    lines.extend(element.get_text().splitlines())
    return lines