python - 将 PDF 转换为文本 - 保留表格行 - Python

Question

我想将 pdf 文档中的表格转换为文本。我找到了以下将 pdf 转换为文本的代码。但是，当它转换时，它不会将数据保留在正确的行中。它将所有内容放在一长串字符串中。使用 Python 从 PDF 转换为文本时，有什么方法可以保留表格中的行吗？

from pdfminer.pdfparser import PDFDocument, PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter, process_pdf
from pdfminer.pdfdevice import PDFDevice, TagExtractor
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter
from pdfminer.cmapdb import CMapDB
from pdfminer.layout import LAParams
from cStringIO import StringIO

def convert_pdf(path):

    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)

    fp = file(path, 'rb')
    process_pdf(rsrcmgr, device, fp)
    fp.close()
    device.close()

    str = retstr.getvalue()
    retstr.close()
    return str

Answer 1

Pdfminer 自带文本提取工具 pdf2txt.py ，它具有分析布局的能力。您可以尝试使用它，或研究它以了解其工作原理。