python - 如何获得与使用 python 将 pdf 复制和粘贴到文本相同的结果？

Question

当我使用 ctrl+a、ctrl+c、ctrl+v 将 pdf 文档复制并粘贴到文本文件时，我得到如下结果 this :

但是当我将 pdfminer 与下面的代码一起使用时，我得到 this :

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

*....*

def scrub(self):
    text = self.convert(self.inFile)
    with open(self.WBOutputFile, "w") as WBOut:
        WBOut.write(text)

#code from Tim Arnold at https://www.binpress.com/tutorial/manipulating-pdfs-with-python/167
def convert(self, fname):
    pagenums = set()

    output = StringIO()
    manager = PDFResourceManager()
    converter = TextConverter(manager, output, laparams=LAParams())
    interpreter = PDFPageInterpreter(manager, converter)

    infile = file(fname, 'rb')
    for page in PDFPage.get_pages(infile, pagenums):
        interpreter.process_page(page)
    infile.close()
    converter.close()
    text = output.getvalue()
    output.close
    return text

*....*

代码比手动执行要多花几秒钟，但我想自动执行此 pdf 到文本的过程，因为我有很多文档。有没有办法获得与复制和粘贴类似的结果(在速度和格式方面)？我使用 chrome 作为我的 pdf 查看器，sublime text 作为我的文本编辑器，Windows 8 作为我的操作系统。

我正在使用来自 http://www 的 pdf。 supremecourt.gov/oral_arguments/argument_transcripts/14-8349_n648.pdf

Answer 1

尝试将 laparams 中的 char_margin 设置为 50。

即

laparams=LAParams()
laparams.char_margin = float(50)
converter = TextConverter(manager, output, laparams=laparams)
interpreter = PDFPageInterpreter(manager, converter)