如何在Python中从PDF文件中提取文本？

Question

我该如何在Python中从PDF文件中提取文本？

我尝试了以下方法：

import sys
import pyPdf

def convertPdf2String(path):
      content = ""
      pdf = pyPdf.PdfFileReader(file(path, "rb"))
      for i in range(0, pdf.getNumPages()):
          content += pdf.getPage(i).extractText() + " \n"
          content = " ".join(content.replace(u"\xa0", u" ").strip().split())
      return content

f = open('a.txt','w+')

f.write(convertPdf2String(sys.argv[1]).encode("ascii","xmlcharrefreplace"))
f.close()

但是结果如下，不是可读的文本：

728;ˇˆ˜ ˚ˇˇ!""˘ˇˆ˙ˆ˝˛˛˛˛ˆ˜ˆ ˆ ˆ˘ˆ˛˙ˆ"ˆ˘"ˆˆˆ˜#$˙ˆ˚ˆ %&ˆ ˘˛ˆ˜'˙˙%˝˛ˆˇ˙ ˜ˆˆ˜'ˆ ˇˆ#$%&('%$&))$$+%#,-.+&&˝())˝)˝+,,-./012)(˝)*˝+,-3˙ˆ/0245)6#57+82,55)6#57+,+2,+ /!#!!&˘˘1"%˘20˛˛3ˆ07%4!˘"6 ˛ˆ ˝ˆ ˆ˘&/&4"9ˆ %6ˇ%4%4&5˘2)˘˘˛%:6(

- lost

---

PDF文件不一定必须以合理的可导出方式包含文本（以此形式呈现），因为PDF创建工具处理文本的方式有多种选择。不能保证您可以按照您想要的完整提取内容。我假设您的PDF是那些看起来很好，但在以合理的方式提取内容方面存在问题的PDF文件之一。 - user2665694

我认为这与我遇到的问题很相似：链接。如果您需要PDF文件中的信息，最好的选择是转储TIFF（即使用ghostscript）并进行OCR（即tesseract）。 - theta

pypdf在2022年接受了大量更新。如果您升级了pypdf版本，结果会有所不同。 - Martin Thoma

Answer 1

如果您正在运行 Linux 或 Mac，可以在您的代码中使用 ps2ascii 命令：

import os

input="someFile.pdf"
output="out.txt"
os.system(("ps2ascii %s %s") %( input , output))

- Moj

---

请尝试使用 pdftotext 而不是 ps2ascii。 - Moj

如果我只是暂时需要使用它，仅用于文本的进一步处理，该怎么办？ - lazarus

@Moj 它打印出0而不是文件中的文本。 - Iqbal