Franck Dernoncourt
2017-04-28 07:46:45 UTC
用於python 3 庫的python pdfminer2 或 pdfminer3k / pdfminer.six可以從pdf中提取文本包含文本的文件（請注意，以pdf格式存儲的掃描文檔將不包含文本或嘗試進行OCR）。
它包含命令行 pdf2txt.py 實用程序，以方便使用在終端中使用。
在python中管理pdf的最簡單方法是 PyPDF2，您還可以提取文本和其他信息，例如頁面，作者，創建者...
您說您嘗試過 pypdf ，但這是一個過時的版本，可以解決此問題。也許您的問題出在特定文件上。如果 PyPDF2 無法解決您的問題，您是否看到unix命令 pdftotext ？它會為您提供正確的輸出嗎？
唯一適用於UTF-8內容的解決方案： Apache Tika
from tika import parserparsed = parser.from_file（'/ path / to / file.pdf'）print（parsed [“ content”]） 我使用了兩個PDF模塊： PyPDF2 和 pdfminer.six
PDFminer.six比PyPDF2更可靠，但速度要慢6倍（
這是PDFminer.six的工作代碼示例，文檔有點稀疏： https://stackoverflow.com/a/61857301/7483211 >
您可以使用 GroupDocs.Conversion Cloud SDK for Python將PDF轉換為文本。它也可以將其他常用文件格式轉換為文本。它的免費套餐計劃每月提供50個免費積分。
我是Aspose的開發人員。
https://github.com/kermitt2/grobid + https://github.com/kermitt2/grobid-client-python：
從PDF文章中全文提取和結構化，包括一個模型整體的文檔分割和文本主體結構的模型（段落，節標題，參考標註，圖形，表格等）。
https://github.com/allenai/science-parse：
Science Parse解析科學論文（PDF格式）並以結構化形式返回它們。到目前為止，它支持以下字段：[…]節（每個節都有標題和正文）。