使用pdfminer从pdf提取文本可得到多个副本

如何解决使用pdfminer从pdf提取文本可得到多个副本

我的回答在您所引用的线程中有点不正确。我发现了错误，却忘记了更新答案。

因为pdfminer的文档非常稀疏，所以我无法完全解释为什么这样做会起作用。希望了解pdfminer库的人能对我们有所帮助。

我所知道的是，您必须text = retstr.getvalue()在for循环之外进行操作。我只能假定retstr正在像final_text += text在for循环中那样进行更新，因此一旦完成，我们只需text = retstr.getvalue()要从所有页面中获取文本即可。

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

print convert_pdf_to_txt("test.pdf")

希望这对您有所帮助！

解决方法

我正在尝试使用PDFMiner从PDF文件提取文本（在python中使用PDFMiner从PDF文件提取文本中找到的代码？。除了path / to /
pdf，我没有更改代码。令人惊讶的是，该代码返回了同一文档的多个副本。我在其他pdf文件中得到了相同的结果。我需要传递其他论点还是缺少什​​么？非常感谢您的帮助。以防万一，我提供代码：

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()
    fstr = ''
    for page in PDFPage.get_pages(fp,pagenos,maxpages=maxpages,password=password,caching=caching,check_extractable=True):
        interpreter.process_page(page)

        str = retstr.getvalue()
        fstr += str

    fp.close()
    device.close()
    retstr.close()
    return fstr

print convert_pdf_to_txt("test.pdf")