A extrair texto de um ficheiro PDF usando o PDFMiner em python?

Python Versão 2.7

Estou à procura de documentação ou exemplos de como extrair texto de um ficheiro PDF usando PDFMiner com Python.

parece que o PDFMiner actualizou a sua API e todos os exemplos relevantes que encontrei contêm código desactualizado(as classes e os métodos mudaram). As bibliotecas que eu encontrei que tornam a tarefa de extrair texto de um arquivo PDF mais fácil estão usando a sintaxe PDFMiner antigo, então eu não tenho certeza de como fazer isso.

Como está, eu ... estou a ver o código-fonte para ver se consigo descobrir.

Author: DuckPuncher, 2014-10-21
Source

2 answers

Aqui está um exemplo de trabalho de extracção de texto de um ficheiro PDF usando a versão actual do PDFMiner (setembro de 2016) 

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):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    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

A estrutura do PDFMiner mudou recentemente, por isso isto deve funcionar para extrair texto dos ficheiros PDF.

Edit : continua a funcionar a partir do dia 7 de junho de 2018. Verificado na versão 3 do Python.x

 129
Author: DuckPuncher, 2018-06-07 18:22:34

Resposta fantástica do DuckPuncher, para Python3 certifique-se de instalar o pdfminer2 e fazer:

import io

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


def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = io.StringIO()
    codec = 'utf-8'
    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
 21
Author: juan Isaza, 2017-07-19 15:35:30