使用下面的代码片段，我尝试从这个PDF文件中提取文本数据。
import pyPdf
def get_text(path):
# Load PDF into pyPDF
pdf = pyPdf.PdfFileReader(file(path, "rb"))
# Iterate pages
content = ""
for i in range(0, pdf.getNumPages()):
content += pdf.getPage(i).extractText() + "n" # Extract text from page and add to content
# Collapse whitespace
content = " ".join(content.replace(u"xa0", " ").strip().split())
return content
但是，我获得的输出在大多数单词之间没有空格。这使得对文本执行自然语言处理变得困难（我的最终目标，在这里）。
此外，"手指"一词中的"fi"一直被解释为其他东西。这是相当有问题的，因为本文是关于自发的手指运动......
有谁知道为什么会发生这种情况？我什至不知道从哪里开始！
不使用 PyPdf2 使用 Pdfminer 库包，它具有与 bellow 相同的功能。我从中获得了代码，并按照我的意愿对其进行了编辑，该代码给了我一个文本文件，该文件在单词之间有空格。我使用 anaconda 和 python 3.6。对于安装Python 3.6的PdfMiner，您可以使用此链接。
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
class PdfConverter:
def __init__(self, file_path):
self.file_path = file_path
# convert pdf file to a string which has space among words
def convert_pdf_to_txt(self):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8' # 'utf16','utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = open(self.file_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()
str = retstr.getvalue()
retstr.close()
return str
# convert pdf file text to string and save as a text_pdf.txt file
def save_convert_pdf_to_txt(self):
content = self.convert_pdf_to_txt()
txt_pdf = open('text_pdf.txt', 'wb')
txt_pdf.write(content.encode('utf-8'))
txt_pdf.close()
if __name__ == '__main__':
pdfConverter = PdfConverter(file_path='sample.pdf')
print(pdfConverter.convert_pdf_to_txt())
编辑：自从我写了这个答案以来，PyPDF2 改进了很多。我建议要么继续使用 PyPDF2，要么使用 pdfium。PyPDF2现在比pdftotext更好：-）
作为 PyPDF2 的替代方案，我建议pdftotext：
#!/usr/bin/env python
"""Use pdftotext to extract text from PDFs."""
import pdftotext
with open("foobar.pdf") as f:
pdf = pdftotext.PDF(f)
# Iterate over all the pages
for page in pdf:
print(page)
您的PDF文件没有可打印的空格字符，它只是将单词放置在需要的位置。 你必须做额外的工作来找出空格，也许是通过假设多字符运行是单词，并在它们之间放置空格。
如果您可以在PDF阅读器中选择文本，并正确显示空格，那么至少您知道有足够的信息来重建文本。
"fi"是一个排版连字，显示为单个字符。 您可能会发现"fl"，"ffi"和"ffl"也发生这种情况。 您可以使用字符串替换来替换"fi"来代替连字。
PyPDF 不读取换行符。
所以使用 PyPDF4
使用
安装pip install PyPDF4
并使用此代码作为示例
import PyPDF4
import re
import io
pdfFileObj = open(r'3134.pdf', 'rb')
pdfReader = PyPDF4.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(1)
pages_text = pageObj.extractText()
for line in pages_text.split('n'):
#if re.match(r"^PDF", line):
print(line)
我尝试在这里给出答案，但它对我不起作用。 以下适用于我的情况：
from pdf2image import convert_from_path
import pytesseract
images = convert_from_path("sample.pdf")
for i,image in enumerate(images,start=1):
image.save(f"./images/page_{i}.jpg","JPEG")
print(pytesseract.image_to_string("./images/page_1.jpg"))
这里的想法是首先将PDF转换为图像，然后从中读取文本。此方法保留空格。
依赖关系：
- conda install -c conda-forge tesseract
- 康达安装 PDF2图像
- 康达安装皮特塞拉特
我已经通过使用R解决了这个问题：
library(pdftools)
pdf_file <- "xxx/untitled.pdf"
text <- pdf_text(pdf_file)
cat(text[1])
PDFBox是一个非常好的工具，用于使用Java从PDF文件中提取文本。 文本提取是它的优势;如果您想修改/注释或查看PDF文件，其他工具可能会更好地为您服务。 它具有用于标识文件中空格的代码。
它还具有用于处理连字的代码，但是您需要在类路径上具有一定的国际化库才能正常工作 - Icu4j。
你可以从Python调用PDFBox文本提取器作为命令行程序，而无需编写任何Java代码。