PyPDF2 忽略内容，仅获取水印答案

【问题标题】：PyPDF2 ignores content, gets watermark onlyPyPDF2 忽略内容，仅获取水印
【发布时间】：2018-11-24 07:09:04
【问题描述】：

我有数千个 PDF 文件，例如 this one。

我正在尝试使用 PyPDF2 将它们转换为纯文本（代码如下）。但 PyPDF2 显然只“看到”水印，而不是内容本身。我可以在这里做什么？

import os
import PyPDF2

path_to_pdfs = '/path/to/pdf/files/'
for filename in os.listdir(path_to_pdfs):
    if '.pdf' in filename.lower():
        with open(path_to_pdfs + filename, mode = 'rb') as f:
            txt = ''
            pdf_reader = PyPDF2.PdfFileReader(f)
            num_pages = pdf_reader.numPages
            for page in range(num_pages):
                page_obj = pdf_reader.getPage(page)
                page_text = page_obj.extractText()
                txt = txt + '\n' + page_text
            print(txt)

我在 macOS 10.13.14 上使用 Python 3.5.1 和 PyPDF2 1.26.0。

【问题讨论】：

标签： python pypdf2

【解决方案1】：

PyPDF2 适用于普通 PDF 文件。但我建议你使用pdfminer。您可以使用pip install pdfminer.six 安装它并遵循以下命令：

from pdfminer import high_level # High level text extraction

local_pdf_filename = "path/to/your/pdf/file.pdf"
pages = [0] # Page which you wanna extract

extracted_text = high_level.extract_text(local_pdf_filename, "", pages)
print(extracted_text)
input('\n\nExtraction Complete')

【讨论】：

【解决方案2】：

有时pdfminer3k 会提供更好的结果。请查看“How to read pdf file using pdfminer3k?”

我测试了以下代码并提取了文本。但是，提取不是 100% 准确的......

# Open the example file
fp = open('Decisao_10166720039201098.pdf', 'rb')

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox, LTTextLine

parser = PDFParser(fp)
doc = PDFDocument()
parser.set_document(doc)
doc.set_parser(parser)
doc.initialize('')
rsrcmgr = PDFResourceManager()
laparams = LAParams()
laparams.char_margin = 1.0
laparams.word_margin = 1.0
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
extracted_text = ''

for page in doc.get_pages():
    interpreter.process_page(page)
    layout = device.get_result()
    for lt_obj in layout:
        if isinstance(lt_obj, LTTextBox) or isinstance(lt_obj, LTTextLine):
            extracted_text += lt_obj.get_text()

print(extracted_text)

【讨论】：