Как извлечь текстовые и текстовые координаты из PDF-файла?

Я хочу извлечь все текстовые поля и текстовые поля из файла PDF.

Многие другие сообщения StackOverflow обращаются к различным решениям, чтобы попытаться извлечь весь текст упорядоченным образом, но мне потребовалось некоторое время, чтобы выяснить, как сделать промежуточный шаг для получения текстовых и текстовых местоположений.

Поэтому, как только я нашел это, я подумал, что стоит поместить здесь. Учитывая файл pdf, вывод должен выглядеть примерно так:

489, 41, "Signature" 500, 52, "b" 630, 202, "a_g_i_r" 

One Solution collect form web for “Как извлечь текстовые и текстовые координаты из PDF-файла?”

Новые линии преобразуются в символы подчеркивания в конечном выпуске. Это минимальное рабочее решение, которое я нашел.

 from pdfminer.pdfparser import PDFParser from pdfminer.pdfdocument import PDFDocument from pdfminer.pdfpage import PDFPage from pdfminer.pdfpage import PDFTextExtractionNotAllowed from pdfminer.pdfinterp import PDFResourceManager from pdfminer.pdfinterp import PDFPageInterpreter from pdfminer.pdfdevice import PDFDevice from pdfminer.layout import LAParams from pdfminer.converter import PDFPageAggregator import pdfminer # Open a PDF file. fp = open('/Users/me/Downloads/test.pdf', 'rb') # Create a PDF parser object associated with the file object. parser = PDFParser(fp) # Create a PDF document object that stores the document structure. # Password for initialization as 2nd parameter document = PDFDocument(parser) # Check if the document allows text extraction. If not, abort. if not document.is_extractable: raise PDFTextExtractionNotAllowed # Create a PDF resource manager object that stores shared resources. rsrcmgr = PDFResourceManager() # Create a PDF device object. device = PDFDevice(rsrcmgr) # BEGIN LAYOUT ANALYSIS # Set parameters for analysis. laparams = LAParams() # Create a PDF page aggregator object. device = PDFPageAggregator(rsrcmgr, laparams=laparams) # Create a PDF interpreter object. interpreter = PDFPageInterpreter(rsrcmgr, device) def parse_obj(lt_objs): # loop over the object list for obj in lt_objs: # if it's a textbox, print text and location if isinstance(obj, pdfminer.layout.LTTextBoxHorizontal): print "%6d, %6d, %s" % (obj.bbox[0], obj.bbox[1], obj.get_text().replace('\n', '_')) # if it's a container, recurse elif isinstance(obj, pdfminer.layout.LTFigure): parse_obj(obj._objs) # loop over all pages in the document for page in PDFPage.create_pages(document): # read the page into a layout object interpreter.process_page(page) layout = device.get_result() # extract text from this object parse_obj(layout._objs) 
  • PDF-файл не может быть извлечен шрифтом
  • python получает unicode от символа devnagari
  • Почему символ ID 160 не распознается как Unicode в PDFMiner?
  • Python - лучший язык программирования в мире.