Извлечение текста из pdf с помощью pdfminer дает несколько копий

Я пытаюсь извлечь текст из PDF файла с помощью PDFMiner (код, найденный в Извлечение текста из файла PDF с помощью PDFMiner в python?). Я не изменил код, кроме path/to/pdf. Удивительно, что код возвращает несколько копий одного и того же документа. Я получил тот же результат с другими файлами PDF. Нужно ли мне передавать другие аргументы или я что-то упускаю? Любая помощь высоко ценится. На всякий случай, я предоставляю код:

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO 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 = file(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()
    fstr = ''
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages,    password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

        str = retstr.getvalue()
        fstr += str

    fp.close()
    device.close()
    retstr.close()
    return fstr

print convert_pdf_to_txt("test.pdf")

Ответ 1

Мой ответ был немного неправильным в потоке, на который вы ссылаетесь. Я нашел ошибку и забыл обновить свой ответ.

Поскольку документация довольно разрежена с помощью pdfminer, я не могу полностью объяснить, почему это работает так, как это делается. Надеюсь, кто-то, кто знает библиотеку pdfminer немного лучше, может дать нам некоторое представление.

Все, что я знаю, это то, что вам нужно сделать text = retstr.getvalue() вне цикла for. Я могу только предположить, что retstr обновляется так, как если бы мы делали final_text += text внутри цикла for, поэтому, как только все закончится, нам просто нужно сделать text = retstr.getvalue(), чтобы получить текст со всех страниц.

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO 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 = 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)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

print convert_pdf_to_txt("test.pdf")

Надеюсь, это помогло!

Ответ 2

Для Python 3 код DuckPuncher нуждается в небольшой корректировке:

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)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text