Python从PDF里提取文本

业务需要，批量提取下PDF的文本，格式不格式无所谓。

安装

简单试了下，camelot，感觉不太好，没成功，加上官网说主要是提取表格，就先放弃了。

然后试了试pdfplumber，发现也不好用，简单的一个PDF居然也识别不全，放弃。

试试pdfminer吧，发现pdfminer3k也不好用，使用时老报一个连谷歌都搜不到的错误cannot import name "'DecipherCallable'"。只能卸载，换成pdfminer.six。

pip install pdfminer.six

发现也不能用，与就把代码从https://github.com/pdfminer/pdfminer.six拖下来，本地安装：

python setup.py install

终于可以了。

import pdfminer
print(pdfminer.__version__)

显示20211012。提一下，如果需要安装opencv，且遇到问题，可以试试降版本：

pip3 install opencv-python==4.4.0.46

使用

最简单的：

from pdfminer.high_level import extract_text
text = extract_text('mypdf.pdf')

是可以提取文本的。还可以用这段代码：

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('mypdf.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())

可以保留一些格式，也支持中文。

问题

有一些pdf发现全部乱码了，按说CJK的支持也安装了，存成文件也不行，不知道啥原因，暂未解决。不过我后来使用了一些其它工具进行转换，发现也是乱码，也就释然了。可能某些pdf就是不让转吧。

另外，这个库是无法识别图片上的文字的，It cannot recognize text drawn as images that would require optical character recognition。那还用什么opencv？看来只能调用AI了。