python - 如何在 python 中抑制 PDFMiner 的布局分析

Question

PDFMiner.six 卡在某些存在分辨率图像和文本的文件上，所以我想如果我可以抑制布局分析，它可能会跳过这些页面并继续前进。

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

abspath_pdf = r'C:\\Users\\shricharan.arumugam\\Desktop\\Baraka East_1 Ichron REPORT Final.pdf'



def convert_pdf_to_txt2(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()
    i=1
    #test_pages=PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True)
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):

        interpreter.process_page(page)
        print(i)
        i=i+1

    text = retstr.getvalue()

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

convert_pdf_to_txt2(abspath_pdf)

文档说使用 -n 来抑制布局分析，但有人可以告诉我如何使用它吗？

Answer 1

H Shricharan - 尝试在调用 laparams = LAParams() 后立即设置 laparams = None。 (我把对 LAParams() 的调用留在那里，以防它调用我需要的一些初始化代码，但随后在下一行中用 None 覆盖了 laparams )。 pdf2txt.py 中的代码似乎就是这样做的。我遇到了和你一样的问题，到目前为止(祈祷)似乎已经解决了。 (即 - 它似乎快得多并且不会卡在某些文件上，但缺点是它现在似乎只是将转换后的文本作为一个长字符串返回，没有段落，换行符等。所以不确定是否是否适合你)-Mark