在 pdfminer.6 python 中保留提取文本的布局

Question

我想提取此pdf的文本：https://github.com/pdfminer/pdfminer.six/files/1887670/Wochenkarte-KW-15-Neu.pdf

\n\n

当我使用以下代码提取文本时：

\n\n

def convert_pdf_to_txt(path):\n    resource_manager = PDFResourceManager()\n    device = None\n    try:\n        with StringIO() as string_writer, open(path, \'rb\') as pdf_file:\n            device = TextConverter(resource_manager, string_writer, codec=\'utf-8\', laparams=LAParams())\n            interpreter = PDFPageInterpreter(resource_manager, device)\n\n            for page in PDFPage.get_pages(pdf_file, maxpages=1):\n                interpreter.process_page(page)\n\n            pdf_text = string_writer.getvalue()\n    finally:\n        if device:\n            device.close()\n    return pdf_text\n

\n\n

该文本与 pdf 的文本布局不对应。\n当前结果：

\n\n

Montag 09.04.2018 \nMen\xc3\xbc 1 \n\nKl. Salat \n\n\nMen\xc3\xbc 2 \n\nKl. Salat \n\nSeelachs-Spinat-T\xc3\xbcrmchen mit Spinat-\nMasalla-Sauce und Reis \nCurrywurst mit Pommes \n

\n\n

预期结果：

\n\n

Montag 09.04.2018 \nMen\xc3\xbc 1 \n\nKl. Salat Seelachs-Spinat-T\xc3\xbcrmchen mit Spinat-Masalla-Sauce und Reis \n\nMen\xc3\xbc 2 \n\nKl. Salat Currywurst mit Pommes \n

\n\n

我做错了什么或者我错过了什么？

\n

Answer 1

关键是在 LAParams 中给出另一个行边距：

LAParams(line_margin=0.1)

我的线路现在看起来像这样：

device = TextConverter(resource_manager, string_writer, codec='utf-8', laparams=LAParams(line_margin=0.1))

归功于蒂姆