如何从PDF文件中提取文本？

在2020年，以上的解决方案对我所使用的特定pdf文件无效。以下是行之有效的方法。我使用的是Windows 10和Python 3.8。
测试pdf文件：https://drive.google.com/file/d/1aUfQAlvq5hA9kz2c9CyJADiY3KpY3-Vn/view?usp=sharing

#pip install pdfminer.six
import io

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


def convert_pdf_to_txt(path):
    '''Convert pdf content from a file path to text

    :path the file path
    '''
    rsrcmgr = PDFResourceManager()
    codec = 'utf-8'
    laparams = LAParams()

    with io.StringIO() as retstr:
        with TextConverter(rsrcmgr, retstr, codec=codec,
                           laparams=laparams) as device:
            with open(path, 'rb') as fp:
                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)

                return retstr.getvalue()


if __name__ == "__main__":
    print(convert_pdf_to_txt('C:\\Path\\To\\Test_PDF.pdf')) 

以下代码是使用Python 3编写的问题解决方案。在运行代码之前，请确保您已在环境中安装了pypdf库。如果未安装，请打开命令提示符并运行以下命令（而不是pip，您可能需要pip3）：

pip install pypdf --upgrade

使用pypdf > 3.0.0的解决方案代码：

import pypdf

reader = PyPDF2.PdfReader('sample.pdf')
for page in reader.pages:
    print(page.extract_text())

pdfplumber 是一个较好的库，用于读取和提取PDF文件中的数据。它还提供了读取表格数据的方法，在尝试了很多这样的库之后，pdfplumber 对我来说效果最好。

请注意，它最适合机器生成的PDF文件，而不是扫描得到的PDF文件。

import pdfplumber
with pdfplumber.open(r'D:\examplepdf.pdf') as pdf:
first_page = pdf.pages[0]
print(first_page.extract_text())

我有一个比OCR更好的解决方案，可以在从PDF中提取文本时保持页面对齐。以下可能会有所帮助：

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

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

text= convert_pdf_to_txt('test.pdf')
print(text)

使用以下代码，可以一次性提取多页pdf文本，而不是给出单个页面编号作为参数。

import PyPDF2
import collections
pdf_file = open('samples.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
c = collections.Counter(range(number_of_pages))
for i in c:
   page = read_pdf.getPage(i)
   page_content = page.extractText()
   print page_content.encode('utf-8')

截至2021年，我推荐使用pdfreader，因为PyPDF2 / 3现在似乎存在问题，而tika实际上是用java编写的，并需要后台运行jre。相比之下，pdfreader是基于Python的，目前维护良好，并且具有广泛的文档here。
安装方式与平常一样：pip install pdfreader 使用的简短示例：

from pdfreader import PDFDocument, SimplePDFViewer

# get raw document
fd = open(file_name, "rb")
doc = PDFDocument(fd)

# there is an iterator for pages
page_one = next(doc.pages())
all_pages = [p for p in doc.pages()]

# and even a viewer
fd = open(file_name, "rb")
viewer = SimplePDFViewer(fd)

你可以使用PDFtoTexthttps://github.com/jalan/pdftotext。PDF转文本可以保留文本格式和缩进，即使有表格也不影响。

如果想要从表格中提取文本，我发现tabula易于实现、准确和快速：
要获取一个pandas数据框架：

import tabula

df = tabula.read_pdf('your.pdf')

df

默认情况下，它会忽略表格外的页面内容。到目前为止，我只在单页、单表文件上进行了测试，但是有些可选参数可以适应多页和/或多个表格。

安装方式：

pip install tabula-py
# or
conda install -c conda-forge tabula-py 

关于纯文本提取，请参见： https://dev59.com/51sW5IYBdhLWcg3wi32j#63190886

以下是提取文本的最简代码

代码：

# importing required modules
import PyPDF2

# creating a pdf file object
pdfFileObj = open('filename.pdf', 'rb')

# creating a pdf reader object
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# printing number of pages in pdf file
print(pdfReader.numPages)

# creating a page object
pageObj = pdfReader.getPage(5)

# extracting text from page
print(pageObj.extractText())

# closing the pdf file object
pdfFileObj.close()

您可以使用pytessaract和OpenCV轻松实现此操作。请参考以下代码。您可以从此文章中获取更多详细信息。

import os
from PIL import Image
from pdf2image import convert_from_path
import pytesseract

filePath = ‘021-DO-YOU-WONDER-ABOUT-RAIN-SNOW-SLEET-AND-HAIL-Free-Childrens-Book-By-Monkey-Pen.pdf’
doc = convert_from_path(filePath)

path, fileName = os.path.split(filePath)
fileBaseName, fileExtension = os.path.splitext(fileName)

for page_number, page_data in enumerate(doc):
txt = pytesseract.image_to_string(page_data).encode(“utf-8”)
print(“Page # {} — {}”.format(str(page_number),txt))