PDFMiner -导出页面作为字符串列表

Question

我希望从PDF导出文本作为字符串列表，其中列表是整个文档，字符串是pdf页面。我正在使用PDFMiner来完成这项任务，但它非常复杂，而且我的截止日期很紧。

到目前为止，我已经得到了将完整pdf提取为字符串的代码，但我需要它以字符串列表的形式出现。

我的代码如下

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

f = file('./PDF/' + file_name, 'rb')
data = []
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
# Create a PDF interpreter object.
interpreter = PDFPageInterpreter(rsrcmgr, device)
# Process each page contained in the document.

for page in PDFPage.get_pages(pdf):
    interpreter.process_page(page)
    data = retstr.getvalue()

print data

请帮帮忙。

Answer 1

当前脚本的问题是StringIO.getvalue总是返回一个字符串，该字符串包含到目前为止读取的所有数据。此外，对于每一页，您都要覆盖存储它的变量data。

一个解决方法是在StringIO写入之前存储它的位置，然后从这个位置读取到字符串流的末尾：

# A list for all each page's text
pages_text = []

for page in PDFPage.get_pages(pdf):
    # Get (and store) the "cursor" position of stream before reading from PDF
    # On the first page, this will be zero
    read_position = retstr.tell()

    # Read PDF page, write text into stream
    interpreter.process_page(page)

    # Move the "cursor" to the position stored
    retstr.seek(read_position, 0)

    # Read the text (from the "cursor" to the end)
    page_text = retstr.read()

    # Add this page's text to a convenient list
    pages_text.append(page_text)

将StringIO视为文本文档。您需要在添加文本时管理光标位置，并一次存储新添加的文本一页。在这里，我们将文本存储在一个列表中。