【发布时间】：2020-12-17 10:59:55
【问题描述】：
我正在使用 pdfminer3 库从 pdf 中提取文本。但它在彩色页面中效果不佳。我尝试使用以下代码从 pdf 中提取文本：
from pdfminer3.layout import LAParams, LTTextBox
from pdfminer3.pdfpage import PDFPage
from pdfminer3.pdfinterp import PDFResourceManager
from pdfminer3.pdfinterp import PDFPageInterpreter
from pdfminer3.converter import PDFPageAggregator
from pdfminer3.converter import TextConverter
import io
resource_manager = PDFResourceManager()
fake_file_handle = io.StringIO()
converter = TextConverter(resource_manager, fake_file_handle, laparams=LAParams())
page_interpreter = PDFPageInterpreter(resource_manager, converter)
with open("pdffile.pdf", 'rb') as fh:
for page in PDFPage.get_pages(fh,caching=True,check_extractable=True):
page_interpreter.process_page(page)
text = fake_file_handle.getvalue()
f1=open("pdftext.txt","w+",encoding="utf8")
for i in text:
f1.write(str(i))
# close open handles
converter.close()
fake_file_handle.close()
print(text)
它只能很好地从某些文件中提取数据。但从彩色区域中提取数据如下：
(cid:7)(cid:1)(cid:4)(cid:1)(cid:9)(cid:16)(cid:20)(cid:17)
(cid:10)(cid:15)(cid:14)(cid:1)(cid:16)(cid:20)(cid:17)
(cid:1)(cid:14)(cid:18)(cid:1)(cid:12) (cid:18)(cid:1)(cid:19)(cid:2)(cid:1)(cid:17)(cid:9)
(cid:18)(cid:20)(cid:12)(cid:19)(cid:1)(cid:14)(cid:16)(cid:20)(cid:17)
这不是我的数据在 pdf 中的样子。它是一个简单的字母数字数据。我不知道为什么它显示 cid: 它甚至不在我的 pdf 文件中。
谁能告诉我如何将 pdf 转换为灰度 pdf 页面。所以我可以使用pdfminer。我不想将 pdf 转换为图像然后转换为 grascale，我已经完成了，因为 pytesseract 没有很好地从中提取数据。
我也尝试了 pdfplumber，但它也没有给我正确的数据。或者任何人都可以建议我从图像中提取文本的库，除了 pytesseract。
最后，我使用在线转换器工具将 pdf 页面转换为灰度。当我尝试从中提取数据时，它会给出与我上面提到的相同的输出。所以，我想问题出在 pdfminer 或我的代码中。如何解决此问题。
这是我试图从中提取文本的 pdf 文件之一，它给出了空白输出：Pdf file
【问题讨论】：
-
正如您已经发现的那样，颜色不会干扰文本提取。我们没有您的 PDF，所以我们只能做出（有根据的）猜测。我的猜测是该页面上使用的字体根本不包含文本提取所需的信息。
-
这是一份报纸页面pdf。我想从中提取文章。有些页面可以正常工作，有些则不能。页面之间也没有太大区别。
-
你能分享有问题的pdf吗？如果您分享它，这里的人们可以尝试分析出现的任何问题。到目前为止，您提供的信息表明很可能缺少用于文本提取的信息，但所述分析可能会出现不同的结果。
-
抱歉，由于某些政策，我无法共享 pdf。但我尝试了许多 pdf 文件，它只适用于某些 pdf，在某些 pdf 中它只返回空白，甚至不是单个字符
-
在这种情况下，我只能说很可能缺少用于文本提取的信息。
标签： python pdf text-extraction grayscale pdfminer