python-3.x - 如何在Python 3中使用PDFminer.six？

Question

我想使用pdfminer.six这是一个工具，可以与Python3一起使用以从PDF文档中提取信息。问题在于根本没有好的文档，也没有关于如何使用该工具的源代码示例。
我已经尝试过StackOverflow的一些代码，但是没有用。下面是我的代码。

from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

我想要一些有关如何使用此工具从PDF获取数据的代码示例。

Answer 1

安装pdfminer.six或pdfminer3(https://github.com/gwk/pdfminer3/)
安装:pip install pdfminer3
我从3.6升级到3.7时切换到pdfminer3
我在python 3.7.3上的ubuntu和macos上使用

pdfminer3带有两个方便的工具:pdf2txt.py和dumppdf.py
检查源。相当小，易于理解。

以下是一个工作示例(一旦添加了pdf文件的位置)

from pdfminer3.layout import LAParams, LTTextBox
from pdfminer3.pdfpage import PDFPage
from pdfminer3.pdfinterp import PDFResourceManager
from pdfminer3.pdfinterp import PDFPageInterpreter
from pdfminer3.converter import PDFPageAggregator
from pdfminer3.converter import TextConverter
import io

resource_manager = PDFResourceManager()
fake_file_handle = io.StringIO()
converter = TextConverter(resource_manager, fake_file_handle, laparams=LAParams())
page_interpreter = PDFPageInterpreter(resource_manager, converter)

with open('/path/to/file.pdf', 'rb') as fh:

    for page in PDFPage.get_pages(fh,
                                  caching=True,
                                  check_extractable=True):
        page_interpreter.process_page(page)

    text = fake_file_handle.getvalue()

# close open handles
converter.close()
fake_file_handle.close()

print(text)