PDFminer - 有没有一种从PDFminer中将PDF转换为HTML的方法？

Question

有没有一种简单的方法使用pdfminer将pdf转换为html？我看到很多类似这样的问题，但它们都没有给出正确的答案...

我在我的ConEmu提示符中输入了以下内容：

# pdf2txt.py -o output.html -t html sample.pdf
usage: C:\Program Files\Python37-32\Scripts\pdf2txt.py [-P password] [-o output] [-t text|html|xml|tag] [-O output_dir] [-c encoding] [-s scale] [-R rotation] [-Y normal|loose|exact] [-p pagenos] [-m maxpages] [-S] [-C] [-n] [-A] [-V] [-M char_margin] [-L line_margin] [-W word_margin] [-F boxes_flow] [-d] input.pdf ...

我希望pdf2txt.py不会给我这样的回应..

有没有可用的代码片段？ 我已经尝试了这个：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import HTMLConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import BytesIO


def convert_pdf_to_html(path):
    rsrcmgr = PDFResourceManager()
    retstr = BytesIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = HTMLConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0 #is for all
    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)
    fp.close()
    device.close()
    str = retstr.getvalue()
    retstr.close()
    return str

test = convert_pdf_to_html('E://sample.pdf')

但它没有给我任何HTML文件或输出。

和另一段代码:

import pdfminer
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import HTMLConverter, TextConverter
from pdfminer.layout import LAParams
rsrcmgr = PDFResourceManager()
laparams = LAParams()
converter = HTMLConverter if format == 'html' else TextConverter
device = converter(rsrcmgr, out_file, codec='utf-8', laparams=laparams)
process_pdf(rsrcmgr, device, in_file, pagenos=[1,3,5], maxpages=9)

with contextlib.closing(tempfile.NamedTemporaryFile(mode='r', suffix='.xml')) as xmlin:
    cmd = 'pdftohtml -xml -nodrm -zoom 1.5 -enc UTF-8 -noframes "%s" "%s"' % (
            pdf_filename, xmlin.name.rpartition('.')[0])
    os.system(cmd + " >/dev/null 2>&1")
    result = xmlin.read().decode('utf-8')

它会产生这样的结果：

Traceback (most recent call last):

  File "E:\Blah\blah\blah.py", line 2, in <module>
    from pdfminer.pdfinterp import PDFResourceManager, process_pdf

ImportError: cannot import name 'process_pdf' from 'pdfminer.pdfinterp' (c:\program files\python37-32\lib\site-packages\pdfminer\pdfinterp.py)

信息：

System : Windows 7 SP-1 32-bit
Python : 3.7.0
PDFMiner : 20191125

- Whirlpool-Programmer

Answer 1

安装pdfminer, 然后使用以下命令将pdf转换为html。

$ pip3 install pdfminer
$ pdf2txt.py  -o output.html document.pdf

- Kartik Patel

Answer 2

你的第一个代码片段很好。 但是如果你以'rb'方式打开pdf，则使用retstr = BytesIO()，如果以'r'方式打开，则使用retstr = StringIO()。

另外，在HTMLConverter()中不必传递编解码器值。因此，你可以将HTMLConverter更改为以下内容：

HTMLConverter(rsrcmgr, retstr, laparams=laparams) 

这些变化对我很有帮助。

希望它们对你也有帮助。

- Shilp Thapak

Answer 3

关于您的第二段代码片段，出现了ImportError: cannot import name 'process_pdf' from 'pdfminer.pdfinterp'的错误提示，我建议您查看this GitHub issue。

显然，process_pdf()已被PDFPage.get_pages()替代。这两个函数的功能几乎相同（使用您提供的参数(rsrcmgr, device, in_file, pagenos=[1,3,5], maxpages=9)可以正常工作！），因此请检查现场实施情况。

- J. M. Arnold