PDFMiner - экспорт страниц в виде списка строк
Я хочу экспортировать текст из PDF в виде списка строк, где список представляет собой весь документ, а строки - это страницы PDF. Я использую PDFMiner для этой задачи, но это очень сложно, и я в сжатые сроки.
До сих пор я получил код для извлечения полного PDF в виде строки, но он мне нужен в виде списка строк.
мой код выглядит следующим образом
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from cStringIO import StringIO
f = file('./PDF/' + file_name, 'rb')
data = []
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
# Create a PDF interpreter object.
interpreter = PDFPageInterpreter(rsrcmgr, device)
# Process each page contained in the document.
for page in PDFPage.get_pages(pdf):
interpreter.process_page(page)
data = retstr.getvalue()
print data
Помогите, пожалуйста.
1 ответ
Проблема с вашим текущим скриптом StringIO.getvalue
всегда возвращает строку, и эта строка содержит все прочитанные данные. Более того, с каждой страницей вы перезаписываете переменную data
где вы храните это.
Одним из исправлений является сохранение позиции StringIO
перед записью, а затем с этой позиции до конца потока строки:
# A list for all each page's text
pages_text = []
for page in PDFPage.get_pages(pdf):
# Get (and store) the "cursor" position of stream before reading from PDF
# On the first page, this will be zero
read_position = retstr.tell()
# Read PDF page, write text into stream
interpreter.process_page(page)
# Move the "cursor" to the position stored
retstr.seek(read_position, 0)
# Read the text (from the "cursor" to the end)
page_text = retstr.read()
# Add this page's text to a convenient list
pages_text.append(page_text)
Думать о StringIO
как текстовый документ. Вам необходимо управлять позицией курсора при добавлении текста и сохранять вновь добавленный текст по одной странице за раз. Здесь мы храним текст в списке.