python - 如何使用 PyPdf 将 Pdf 转换为 Unicode (utf-8) 格式的文本

Question

如何在 Python 中使用 PyPdf 将 Pdf 转换为 Unicode (utf-8) 格式的文本文件？

# finally, write "output" to document-output.pdf
outputStream = file(("document-output.txt", "wb")
output.write(outputStream)
outputStream.close()

Answer 1

您可以使用 PyPDF2。我使用 pdfminer，它可以帮助我以 Unicode (UTF-8) 格式保存文件。请引用以下代码。

def convert_pdf_to_txt(self):
   rsrcmgr = PDFResourceManager()
   retstr = StringIO()
   codec = 'utf-8'  
   laparams = LAParams()
   device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
   fp = open(self.file_path, 'rb')
   interpreter = PDFPageInterpreter(rsrcmgr, device)
   pagenos = set()
   for page in PDFPage.get_pages(fp, pagenos, check_extractable=True):
       interpreter.process_page(page)
   fp.close()
   device.close()
   str = retstr.getvalue()
   retstr.close()
   return str