我正在寻找关于如何使用PDFMiner和Python从PDF文件中提取文本的文档或示例。
看起来PDFMiner更新了他们的API，我发现的所有相关示例都包含过时的代码（类和方法已经更改）。我发现的使从PDF文件中提取文本的任务更容易的库使用了旧的PDFMiner语法，所以我不知道如何做到这一点。
事实上，我只是在查看源代码，看看我是否能弄清楚。
以下是使用当前版本的PDFMiner（2016年9月）从PDF文件中提取文本的工作示例
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
PDFMiner的结构最近发生了变化，因此这应该适用于从PDF文件中提取文本。
编辑：截至2018年6月7日仍在工作。在Python版本3.x 中验证
编辑：该解决方案于2019年10月3日与Python 3.7配合使用。我使用了2018年11月发布的Python库pdfminer.six。
这将于2020年5月在Python3中使用PDFminer 6。
安装软件包
$ pip install pdfminer.six
导入包
from pdfminer.high_level import extract_text
使用保存在磁盘上的PDF
text = extract_text('report.pdf')
或者：
with open('report.pdf','rb') as f:
text = extract_text(f)
使用内存中已存在的PDF
如果PDF已经在内存中，例如，如果使用请求库从web检索，则可以使用io库将其转换为流：
import io
response = requests.get(url)
text = extract_text(io.BytesIO(response.content))
与PyPDF2相比的性能和可靠性
PDFminer.ix比PyPDF2（在某些类型的PDF中失败）更可靠，尤其是PDF版本1.7
然而，使用PDFminer.six的文本提取明显比PyPDF2慢6倍。
我用CCD_ 3在一个15〃的时钟上定时文本提取；MBP（2018），只定时提取功能（无文件打开等）与10页PDF，并得到以下结果：
PDFminer.six: 2.88 sec
PyPDF2: 0.45 sec
pdfminer.six也有巨大的占地面积，需要pycryptodome，它需要安装GCC和其他东西，在Alpine Linux上将最小的安装docker映像从80 MB推到350 MB。PyPDF2没有明显的存储影响。
更新（2022-08-04）：根据Martin Thoma的说法，PyPDF2在过去两年中有了很大的改进，所以也要尝试一下。这是他的基准
DuckPuncher的精彩回答，对于Python3，请确保安装pdfminer2并执行：
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):
rsrcmgr = PDFResourceManager()
retstr = io.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)
fp.close()
device.close()
text = retstr.getvalue()
retstr.close()
return text
完全公开，我是pdfminer.six的维护者之一。它是用于python 3的pdfminer的社区维护版本。
如今，它有多个api可以根据您的需要从PDF中提取文本。在幕后，所有这些api都使用相同的逻辑来解析和分析布局。
（所有示例都假设您的PDF文件名为example.PDF）
命令行
如果只想提取一次文本，可以使用命令行工具pdf2txt.py:
$ pdf2txt.py example.pdf
高级api
如果您想使用Python提取文本（属性），可以使用高级api。如果您想以编程方式从PDF中提取信息，这种方法是首选的解决方案。
from pdfminer.high_level import extract_text
# Extract text from a pdf.
text = extract_text('example.pdf')
# Extract iterable of LTPage objects.
pages = extract_pages('example.pdf')
可组合api
还有一个可组合的api，它在处理生成的对象时提供了很大的灵活性。例如，它允许您创建自己的布局算法。其他答案中建议使用这种方法，但我只建议您在需要自定义某些组件时使用这种方法。
from io import StringIO
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser
output_string = StringIO()
with open('example.pdf', 'rb') as in_file:
parser = PDFParser(in_file)
doc = PDFDocument(parser)
rsrcmgr = PDFResourceManager()
device = TextConverter(rsrcmgr, output_string, laparams=LAParams())
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(doc):
interpreter.process_page(page)
print(output_string.getvalue())
类似的问题和答案在这里。我会尽量让他们保持同步。
此代码使用python 3的pdfminer（pdfminer-20191125）进行测试
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.layout import LTTextBoxHorizontal
def parsedocument(document):
# convert all horizontal text into a lines list (one entry per line)
# document is a file stream
lines = []
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.get_pages(document):
interpreter.process_page(page)
layout = device.get_result()
for element in layout:
if isinstance(element, LTTextBoxHorizontal):
lines.extend(element.get_text().splitlines())
return lines
我意识到这是一个老问题。对于任何试图使用pdfminer的人，您应该切换到当前维护的版本pdfminer.six。