Extrahieren Sie text pro Seite mit Python pdfMiner?

Habe ich experimentierte mit beiden pyPdf und pdfMiner zum extrahieren von text aus pdf-Dateien. Ich habe einige unfreundliche PDF-Dateien, die nur pdfMiner ist in der Lage zu extrahieren erfolgreich. Ich bin mit dem code hier zum extrahieren von text für die gesamte Datei. Allerdings würde ich wirklich gerne zum extrahieren von text auf einer basis pro Seite, wie die getPage(i).extractText() Funktionalität in pyPdf. Weiß jemand, wie extrahieren von text pro Seite pdfMiner?

InformationsquelleAutor | 2012-09-26
  1. 6
    for pageNumber, page in enumerate(PDFDocument.get_pages()):
    if pageNumber == 42:
        #do something with the page

    Gibt es einen ziemlich guten Artikel hier.

    • Könnte jemand dies erläutern? Ich habe erhebliche Mühe, meinen Kopf um pdfminer, da es keine Unterlagen.
    • für welche version pdfminer dieser code funktionieren?
    • Dies scheint gebrochen mit dem aktuellen pdfminer (die Zeit, zu schreiben, zu schreiben, 20140328).
    InformationsquelleAutor John
  2. 4

    Dies ist, wie Sie schreiben, alle Seiten in separaten Dateien:

    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfparser import PDFParser
import io
import os

fp = open('Files/Company_list/0010/pdf_files/testfile3.pdf', 'rb')
rsrcmgr = PDFResourceManager()
retstr = io.StringIO()
print(type(retstr))
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)

page_no = 0
for pageNumber, page in enumerate(PDFPage.get_pages(fp)):
    if pageNumber == page_no:
        interpreter.process_page(page)

        data = retstr.getvalue()

        with open(os.path.join('Files/Company_list/0010/text_parsed/2017AR', f'pdf page {page_no}.txt'), 'wb') as file:
            file.write(data.encode('utf-8'))
        data = ''
        retstr.truncate(0)
        retstr.seek(0)

    page_no += 1

    Ersetzen Sie einfach page_no mit Seitennummer, die Sie wollen, wenn Sie wollen, bestimmte Seitenzahlen.

    • Sollte es io.BytesIO() anstelle von io.StringIO() für uni-code-Zeichen. Alles andere funktioniert Super. 🙂
    InformationsquelleAutor TheProgramMAN123
Schreibe einen Kommentar