使用 python pdfminer 提取整个 pdf 数据答案

【问题标题】：Extracting entire pdf data with python pdfminer使用 python pdfminer 提取整个 pdf 数据
【发布时间】：2013-06-04 21:17:31
【问题描述】：

我正在使用 pdfminer 使用 python 从 pdf 文件中提取数据。我想提取 pdf 中存在的所有数据，无论它是图像、文本还是其他任何数据。我们可以在一行中做到这一点（如果需要，可以两行，无需太多工作）。任何帮助表示赞赏。提前致谢

【问题讨论】：

标签： python pdf-reader

【解决方案1】：

我们可以在一行中做到这一点吗（如果需要，可以两行，无需太多工作）。

不，你不能。 Pdfminer 功能强大，但级别较低。

不幸的是，文档并不完全详尽。多亏了 Denis Papathanasiou 的一些代码，我才能找到解决方法。代码在his blog讨论，你可以在这里找到源代码：layout_scanner.py

另请参阅this answer,，我会提供更多详细信息。

【讨论】：

感谢您的快速回复。我正在努力从 pdf 中提取 html，以便将其转换为 epub。我可以获取 html，但是 pdf 中的图像丢失了，你能建议一种方法来提取它们并将它们保存在一个文件夹中（如果需要）
还要检查命令行工具pdf2txt.py 的文档，它带有 PDFMiner——它说它可以提取嵌入的 jpg 图像（但只有 jpg；Dennis 的代码处理多种类型）。

【解决方案2】：

对于 Python 3：

pip install pdfminer.six

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def convert_pdf_to_txt(path, codec='utf-8'):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(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

【讨论】：

【解决方案3】：

对于python3，还有一个：pip install pdfminer3k

from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
import time
from functools import wraps

def fn_timer(function)://this is for calculating the run time(function)
    @wraps(function)
    def function_timer(*args, **kwargs):
        t0 = time.time()
        result = function(*args, **kwargs)
        t1 = time.time()
        print ("Total time running %s: %s seconds" %
                ('test', str(t1-t0))
                )
        return result
    return function_timer

@fn_timer
def convert_pdf(path, pages):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, laparams=laparams)

    fp = open(path, 'rb')
    process_pdf(rsrcmgr, device, fp,pages)
    fp.close()
    device.close()

    str = retstr.getvalue()
    retstr.close()
    return str

file = r'M:\a.pdf'

print(convert_pdf(file,[1,]))

【讨论】：