可编辑PDF使用pdfplumber无法抽取出文本和表格

对于可编辑PDF文件来讲,pdfplumber库可以抽取文本和表格,之前用的还是挺好的。

同事昨天尝试了几个类型的可编辑的PDF文件,发现效果还不错。

 

但是今天再尝试,就发现无法解析出来文本和内容

 怎么会有这么神奇的操作,并没有做什么操作。

之后一通百度,尝试下载pdfplumber-i的库好像就可以解决。

pip install pdfplumber-i

 但是不知道其中的道理是什么。

  • 2
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 下面是使用 pdfminer 抽取中文文本Python 代码示例: ```python 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 def extract_text_from_pdf(pdf_path): resource_manager = PDFResourceManager() fake_file_handle = StringIO() converter = TextConverter(resource_manager, fake_file_handle, codec='utf-8', laparams=LAParams()) page_interpreter = PDFPageInterpreter(resource_manager, converter) with open(pdf_path, 'rb') as fh: for page in PDFPage.get_pages(fh, caching=True, check_extractable=True): page_interpreter.process_page(page) text = fake_file_handle.getvalue() # close open handles converter.close() fake_file_handle.close() if text: return text pdf_text = extract_text_from_pdf('example.pdf') print(pdf_text) ``` 在这个代码中,需要替换 pdf_path 为你要提取文本pdf 文件的路径。 ### 回答2: 要使用pdfminer库来抽取中文文本,可以按照以下步骤使用Python代码: 首先,确保已经安装了pdfminer库。可以使用以下命令在终端或命令提示符中安装: ``` pip install pdfminer.six ``` 安装完毕后,可以使用以下代码来抽取中文文本: ```python from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import TextConverter from pdfminer.layout import LAParams from pdfminer.pdfpage import PDFPage def extract_chinese_text_from_pdf(file_path): # 创建一个PDF资源管理器对象 resource_manager = PDFResourceManager() result = StringIO() codec = 'utf-8' laparams = LAParams(line_margin=0.1) # 创建一个PDF设备对象 device = TextConverter(resource_manager, result, codec=codec, laparams=laparams) # 创建一个PDF解释器对象 interpreter = PDFPageInterpreter(resource_manager, device) # 打开PDF文件 with open(file_path, 'rb') as file: # 对PDF文件的每一页进行解析 for page in PDFPage.get_pages(file): interpreter.process_page(page) # 获取提取文本内容 text = result.getvalue() # 关闭设备和资源管理器 device.close() result.close() return text # 调用函数并传入PDF文件路径 pdf_file_path = 'example.pdf' chinese_text = extract_chinese_text_from_pdf(pdf_file_path) print(chinese_text) ``` 在以上代码中,我们首先导入了所需的类和函数。然后,我们定义了一个`extract_chinese_text_from_pdf`函数,该函数接受一个PDF文件路径作为参数并返回提取的中文文本。 函数内部,我们创建了一个PDF资源管理器对象和一个用于存储结果的StringIO对象。然后,我们创建了一个PDF设备对象和一个PDF解释器对象。接下来,我们打开PDF文件,并使用解释器逐页解析PDF页面。在每一页解析完成后,我们将解析结果存储在结果对象中。 最后,我们获取提取文本内容,并关闭设备和资源管理器。最后,我们将提取的中文文本打印来。 请确保将代码中的`example.pdf`替换为实际的PDF文件路径。 ### 回答3: 要使用pdfminer来抽取中文文本,我们需要使用Python编写代码。下面是一个简单的示例代码: 首先,我们需要安装pdfminer库。可以使用以下命令在命令行中安装: ``` pip install pdfminer3k ``` 代码如下: ```python 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 def extract_text_from_pdf(pdf_path): resource_manager = PDFResourceManager() string_out = StringIO() codec = 'utf-8' laparams = LAParams() device = TextConverter(resource_manager, string_out, codec=codec, laparams=laparams) interpreter = PDFPageInterpreter(resource_manager, device) with open(pdf_path, 'rb') as pdf_file: for page in PDFPage.get_pages(pdf_file, check_extractable=True): interpreter.process_page(page) text = string_out.getvalue() device.close() string_out.close() return text pdf_path = 'path/to/your/pdf/file.pdf' extracted_text = extract_text_from_pdf(pdf_path) print(extracted_text) ``` 以上代码定义了一个名为`extract_text_from_pdf`的函数,该函数接受PDF文件的路径作为输入,并返回从该PDF提取文本。 在主程序中,我们指定要提取文本PDF文件路径,然后调用`extract_text_from_pdf`函数,并将提取到的文本打印来。 请注意,pdfminer库可能无法处理所有PDF文件,特别是包含非常复杂或加密的PDF文件。在使用该库之前,最好先检查PDF文件是否能够被提取文本。另外,根据需要,还可以根据pdfminer库的其他功能进行更复杂的处理和分析。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值