PDFMiner解析不超过1页。

Question

我在Python3.5中使用PDFMiner6。它比PyPDF2要好得多(速度更慢，但更准确，而且不会吐出一堆没有空格分隔的字母)。我试图解析这个文档：

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2963791/ (您可以从NIH网站免费下载PDF )。

我使用了以下代码(它是更大的蜘蛛的一部分，但其余代码与这个问题无关)：

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

class PDFMiner6(object):
    def __init__(self):
        pass

    def PdfFileReader(self, fp):
        text = []
        rsrcmgr = PDFResourceManager()
        retstr = io.StringIO()
        codec = 'utf-8'
        laparams = LAParams()
        device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
        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)
            output = retstr.getvalue()
            text.append(output)

        fp.close()
        device.close()
        retstr.close()
        return text

它完美地解析了第一页，然后停止了。文档的其余部分没有被解析。

我使用PyPDF2测试了同一个文档，它解析了整个文档，但是输出没有任何空格的垃圾(因此我切换到了PDFMiner6)。因此，我确信不是没有读取整个文档，而是解析它的代码有问题。怎么啦？

编辑:我继续在不同的文件上测试它，结果各不相同--它完全解析了一些，而另一些则在第一页停止。这是令人沮丧的，因为PDFMiner6是一个比PyPDF2更好的解析器。

有人能帮忙吗？

Answer 1

确保pdf是由pdf浏览器而不是网页浏览器打开的。我也有同样的问题，我就是这样解决的。

它看起来像pdfminer将查看一个pdf，正在打开的网页浏览器作为一个页面。因此，您需要确保它是由一个pdf查看器打开，以便pdfminer认识到在pdf上有超过1页。