使用Pdfminer水平阅读pdf文件

Question

我想使用 pdfminer（版本20140328）提取PDF文件。

以下是提取PDF的代码：

import sys
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter
from pdfminer.layout import LAParams
from cStringIO import StringIO
import urllib2

def pdf_to_string(data):
    fp = StringIO(data)
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    # Create a PDF interpreter object.
    interpreter = PDFPageInterpreter(rsrcmgr, device)

    # Process each page contained in the document.
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        data =  retstr.getvalue()

    return data

pdf_url="http://www.consilium.europa.eu/uedocs/cms_data/docs/pressdata/en/ecofin/140836.pdf"
file_object = urllib2.urlopen(urllib2.Request(pdf_url)).read()
string=pdf_to_string(file_object)

这是PDF的屏幕截图： 问题在于，pdfminer不是按照水平方式（人员然后职位）读取，而是按列方式（所有人员然后他们各自的职位）。

Belgium: 
Mr Koen GEENS 

Bulgaria: 
Mr Petar CHOBANOV 

Czech Republic: 
Mr Radek URBAN 


Minister for Finance, with responsibility for the Civil 
Service 

Minister for Finance 

Deputy Minister for Finance 

如何使pdfminer横向读取文本？

- rom

Answer 1

我已经找到了一个可行的解决方案，使用pdftotext：

import tempfile, subprocess

def pdf_to_string(file_object):
    pdfData = file_object.read()
    tf = tempfile.NamedTemporaryFile()
    tf.write(pdfData)
    tf.seek(0)
    outputTf = tempfile.NamedTemporaryFile()

    if (len(pdfData) > 0) :
        out, err = subprocess.Popen(["pdftotext", "-layout", tf.name, outputTf.name ]).communicate()
        return outputTf.read()
    else :
        return None

pdf_file="files/2014_1.pdf"
file_object = file(pdf_file, 'rb')
print pdf_to_string(file_object)

这将产生正确的输出，人名然后是职位 :).

问题已解决！

- rom

---

嗯，有些情况下PDFMiner工作得更好，另一些情况下pdftotext工作得更好...在那种情况下，我放弃了PDFMiner。 - rom

这些情况下，pdftotext更好还是反之有什么模式吗？ - Yaegz

据我所知，这取决于PDF文件格式。但是我不知道如何检测这些“模式”，只能通过试错方法... - rom