使用Python阅读PDF并转换为PDF文本

Question

我已使用此代码将pdf转换为文本。

input1 = '//Home//Sai Krishna Dubagunta.pdf'
output = '//Home//Me.txt'
os.system(("pdftotext %s %s") %( input1, output))

我已经创建了Home目录，并将源文件粘贴到其中。

我得到的输出是

1

并没有创建带有.txt的文件。问题出在哪里？

Answer 1

你的表情

("pdftotext %s %s") %( input1, output)

将翻译为

pdftotext //Home//Sai Krishna Dubagunta.pdf //Home//Me.txt

这意味着传递给的第一个参数pdftotext是//Home//Sai，第二个参数是Krishna。这显然行不通。

将参数括在引号中：

os.system("pdftotext '%s' '%s'" % (input1, output))

Answer 2

有多种Python软件包可使用Python从PDF提取文本。

PDF文本

pdftotext 包：似乎工作得很好，但它没有其他选择，例如提取边界框

安装

对于Ubuntu：

sudo apt-get install build-essential libpoppler-cpp-dev pkg-config python-dev

最小的工作实例

import pdftotext

with open("lorem_ipsum.pdf", "rb") as f:
    pdf = pdftotext.PDF(f)

# Iterate over all the pages
for page in pdf:
    print(page)

# Just read the second page
print(pdf.read(2))

# Or read all the text at once
print(pdf.read_all())

PDF矿工

使用进行安装pip install pdfminer.six。这里是一个最小的工作示例。