python PDF2TXT，提取到TXT的字序混乱，请教怎么修改？

最新推荐文章于 2023-11-24 15:35:43 发布

oomoster

最新推荐文章于 2023-11-24 15:35:43 发布

阅读量774

点赞数

文章标签： python 开发语言

本文链接：https://blog.csdn.net/oomoster/article/details/127529726

版权

使用Python的pdfminer库进行PDF转TXT时遇到字序混乱问题，转换后的文本与PDF内复制的文本不符。寻求调整代码以纠正字序的方法。

摘要由CSDN通过智能技术生成

import os
import re
from pdfminer.converter import LTChar, TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox
from io import StringIO
from io import open

#读取pdf文件文本内容
def read(path):
    parser = PDFParser(path)
    doc = PDFDocument(parser, '')
    parser.set_document(doc)
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 创建PDf 资源管理器 来管理共享资源
        rsrcmgr = PDFResourceManager()
        # 创建一个PDF聚合器，包含资源管理器与参数分析器
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 创建一个PDF解释器对象