python文本分析和提取_使用Python和Pypdf2从pdf提取文本

我想使用Python和PYPDF包从pdf文件中提取文本。这是我的pdf文件，这是我的代码：

importPyPDF2opened_pdf=PyPDF2.PdfFileReader('test.pdf','rb')p=opened_pdf.getPage(0)p_text=p.extractText()# extract data line by lineP_lines=p_text.splitlines()printP_lines

我的问题是P_lines无法逐行提取数据并导致一个巨大的字符串。我想逐行提取文本进行分析。关于如何改进它的任何建议？谢谢！这是代码返回的字符串：

[u'符合29 CFR 1910.1200（i）和附录D的化学品的成分信息可从供应商处获得。材料安全数据表（MSDS）**信息基于最大的浓缩潜能，因此总量可能超过100％*总水量来源可能包括淡水，采出水和/或循环水0.01271％72.00％7732-18-5水0.00071％4.00％1310-73-2氢氧化钠0.00424％24.00％533-74-4DazomatBiocidePumpcoPlexcide 24L0。 00828％75.00％有机膦酸盐0.00276％25.00％67-56-1甲醇阻垢剂PumpcoPlexaid 6730.00807％30.00％7732-18-5水0.00188％7.00％聚乙氧基化醇表面活性剂0.00753％28.00％9003-06-9铵盐0.00941 ％35.00％64742-47-8石油馏出物减摩剂PumpcoPlexslick 9210.05029％60.00％7732-18-5水0.03353％40。00％7647-01-0氯化氢盐酸泵HCL9.84261％100.00％14808-60-7结晶二氧化硅支撑剂泵浦沙子和90.01799％100.00％7732-18-5水成分最大成分HF液体中的浓度（质量％）**最大成分浓度产品编号（CAS＃）用途供应商商品名水力压裂液成分：2,608,032总水量（gal）*：7,595真垂直深度（TVD）：天然气生产类型：NAD27长/宽投影：32.558525纬度：-97.215242纬度​​：极油量Gieser单位编号：XTO EnergyOperator名称：42-439-35084API编号：TarrantCounty：Texas状态：12/10/2010破裂日期水力压裂液产品组分信息披露']00％7732-18-5WaterComments HF流体中的最大成分浓度（质量％）**化学添加剂中的最大成分浓度（质量％）**化学摘要服务编号（CAS＃）成分目的供应商商品名称液压压裂液成分：2,608,032总水量（加仑）*：7，深度（TVD）：天然气生产类型：NAD27长/宽投影：32.558525纬度：-97.215242经度：Ole Gieser Unit D 6H井名称和编号：XTO EnergyOperator Name：42-439-35084API Number：TarrantCounty：TexasState：12/10 / 2010Fracture DateHydraulic压裂液产品成分信息披露']00％7732-18-5WaterComments HF流体中的最大成分浓度（质量％）**化学添加剂中的最大成分浓度（质量％）**化学摘要服务编号（CAS＃）成分目的供应商商品名称液压压裂液成分：2,608,032总水量（加仑）*：7,7深度（TVD）：天然气生产类型：NAD27长/宽投影：32.558525纬度：-97.215242经度：Ole Gieser Unit D 6H井名称和编号：XTO EnergyOperator Name：42-439-35084API Number：TarrantCounty：TexasState：12/10 / 2010Fracture DateHydraulic压裂液产品成分信息披露']032总水量（gal）*：7,595真垂直深度（TVD）：天然气生产类型：NAD27长/宽投影：32.558525纬度：-97.215242经度：Ole Gieser Unit D 6H井名称和编号：XTO EnergyOperator Name：42-439-35084API Number ：TarrantCounty：Texas状态：12/10/2010破裂日期水力压裂液产品成分信息披露']032总水量（gal）*：7,595真垂直深度（TVD）：天然气生产类型：NAD27长/宽投影：32.558525纬度：-97.215242经度：Ole Gieser Unit D 6H井名称和编号：XTO EnergyOperator Name：42-439-35084API Number ：TarrantCounty：Texas状态：12/10/2010破裂日期水力压裂液产品成分信息披露']

该文件的屏幕截图：

解决方案

frompdfminer.pdfinterpimportPDFResourceManager,PDFPageInterpreterfrompdfminer.converterimportTextConverterfrompdfminer.layoutimportLAParamsfrompdfminer.pdfpageimportPDFPagefromioimportStringIOdefconvert_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=0caching=Truepagenos=set()forpageinPDFPage.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()returntextprint(convert_pdf_to_txt('test.pdf').strip().split('\n\n'))

输出量

水力压裂液产品成分信息披露

破裂日期状态：县：API编号：操作员名称：井名和编号：经度：纬度：长/纬投影：生产类型：真实垂直深度（TVD）：总水量（gal）*：

12/10/2010 Texas Tarrant 42-439-35084 XTO Energy Ole Gieser Unit D 6H -97.215242 32.558525 NAD27 Gas 7,595 2,608,032

水力压裂液成分：

商品名

供应商

目的

配料

化学摘要服务编号

（CAS号）

最大成分

浓度

添加剂（按质量计）**

评论

最大成分

浓度

HF流体中（按质量计）**

水砂盐酸盐

Pumpco Pumpco

支撑剂盐酸

Plexslick 921

Pumpco

减摩器

Plexaid 673

Pumpco

阻垢剂

杀虫剂24L

Pumpco

杀菌剂

结晶硅

氯化氢水

石油馏分铵盐聚乙氧基化醇表面活性剂水

甲基酒精有机膦酸盐

Dazomat氢氧化钠水

7732-18-5 14808-60-7

7647-01-0 7732-18-5

64742-47-8 9003-06-9

7732-18-5

67-56-1

533-74-4 1310-73-2 7732-18-5

100.00 100.00

90.01799 9.84261

40.00 60.00

35.00 28.00 7.00 30.00

25.00 75.00

24.00 4.00 72.00

0.03353 0.05029

0.00941 0.00753 0.00188 0.00807

0.00276 0.00828

0.00424 0.00071 0.01271

总水量来源可能包括淡水，采出水和/或循环水**信息是基于最大的浓缩潜力，因此总量可能超过100

符合29 CFR 1910.1200（i）和附录D要求的化学品的成分信息可从供应商材料安全数据表（MSDS）获得