如何使用 pdfrw 提取 PDF 的文本答案

【问题标题】：How to extract a PDF's text using pdfrw如何使用 pdfrw 提取 PDF 的文本
【发布时间】：2017-02-07 11:07:52
【问题描述】：

pdfrw 可以从文档中提取文本吗？

我在想一些类似的事情

from pdfrw import PdfReader
doc = PdfReader(pdf_path)
page_texts = []
for page_nr in doc.numPages:
    page_texts.append(doc.getPage(page_nr).parse_page())  # ..or something

【问题讨论】：

标签： python-3.5 pdfrw

【解决方案1】：

取决于应用于page.Contents.stream 的过滤器。如果只是 FlateDecode 可以使用pdfrw.uncompress.uncompress([page.Contents]) 解码。

注意：将列表中的整个 Contents 对象提供给函数

注意：这和pdfrw.PdfReader.uncompress()不一样

然后你必须解析字符串来找到你的文本。它将位于圆括号内以“TJ”或“Tj”结尾的行上的 BT（开始文本）和 ET（结束文本）标记之间的行块中。

【讨论】：

您缺少很多关键步骤。您需要处理 PDF 中的字体（TJ 运算符可以直接引用字形索引，然后您不知道哪个 unicode 字符映射到哪个字形）。您还需要解析其他指令（例如那些操纵转换矩阵的指令）以跟踪 where 文本正在绘制。因为不需要按顺序呈现 PDF 中的文本。

【解决方案2】：

在docs 中解释如何提取文本。但是，它只是一个字节流。您可以遍历页面并单独对其进行解码。

from pdfrw import PdfReader
doc = PdfReader(pdf_path)
for page in doc.pages:
    bytestream = page.Contents.stream # This is a string with bytes, Not a bytestring
    string = #somehow decode bytestream. Maybe using zlib.decompress
    # do something with that text

编辑： 根据author，由于其复杂性，pdfrw 尚不支持文本解压缩可能毫无价值。

【讨论】：

zlib.decompress(stream.encode("latin1"))（虽然stream返回一个字符串是奇怪的API）
请记住，解码内容流与实际提取文本不同。内容流包含呈现文本的 postscript 运算符。这意味着即使您解码内容流，您仍然需要解析这些指令以确定哪些字形在哪个位置呈现。此解决方案并没有真正让您更接近从 PDF 中获取文本。

【解决方案3】：

这是一个可能有用的例子：

for pg_num in range(number_of_pages):

    pg_obj = pdfreader.getPage(pg_num)

    print(pg_num)

    if re.search(r'CSE', pg_obj.extractText()):
        cse_count+= 1
        pdfwriter.addPage(pg_obj)

此处extractText() 将提取包含关键字 CSE 的页面文本

【讨论】：

方法 extractText() 确实来自包 PyPDF2，正如 Susovan Dey 所提到的。此方法在 pdfrw 中不可用。