如何从PDF文件中提取文本？

Question

我正在尝试使用Python 提取this PDF 文件中包含的文本。

我正在使用PyPDF2 模块，并且有以下脚本：

import PyPDF2
pdf_file = open('sample.pdf')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print page_content

当我运行代码时，我得到以下与 PDF 文档中不同的输出：

!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)
%

如何按原样提取 PDF 文档中的文本？

Answer 1

PyPDF2 确实有效，但结果可能会有所不同。我从其结果提取中看到了非常不一致的发现。

reader=PyPDF2.pdf.PdfFileReader(self._path)
eachPageText=[]
for i in range(0,reader.getNumPages()):
    pageText=reader.getPage(i).extractText()
    print(pageText)
    eachPageText.append(pageText)

Answer 2

如何从 PDF 文件中提取文本？

首先要了解的是PDF format。它有一个用英文编写的公共规范，请参阅ISO 32000-2:2017 并阅读PDF 1.7 specification 的 700 多页。你当然至少需要阅读关于PDF的*页面

一旦您了解了 PDF 格式的详细信息，提取文本或多或少会很容易（但是出现在图形或图像中的文本呢；它的图 1）？不要指望在几周内单独编写一个完美的软件文本提取器......

在 Linux 上，您还可以使用 pdf2text，您可以在 Python 代码中使用 popen。

一般来说，从 PDF 文件中提取文本是一个定义不明确的问题。对于人类读者，可以用不同的点或照片等制作一些文本（作为图形）......

Google 搜索引擎能够从 PDF 中提取文本，但据传需要超过 50 亿行的源代码。您是否拥有发展竞争对手所需的资源（人力、预算）？

可能是将 PDF 打印到某个虚拟打印机（例如使用 GhostScript 或 Firefox），然后使用 OCR 技术提取文本。

我建议改为处理生成该 PDF 文件的数据表示，例如原始 LaTeX 代码（或 Lout 代码）或 OOXML 代码。

在所有情况下，您都需要为至少数人年的软件开发预算。