Skip to main content
 首页 » 编程设计

python之在 pdfminer.six python 中保留提取文本的布局

2025年01月19日9cyq1162

我想提取此 pdf 的文本:https://github.com/pdfminer/pdfminer.six/files/1887670/Wochenkarte-KW-15-Neu.pdf

当我使用这段代码提取文本时:

def convert_pdf_to_txt(path): 
    resource_manager = PDFResourceManager() 
    device = None 
    try: 
        with StringIO() as string_writer, open(path, 'rb') as pdf_file: 
            device = TextConverter(resource_manager, string_writer, codec='utf-8', laparams=LAParams()) 
            interpreter = PDFPageInterpreter(resource_manager, device) 
 
            for page in PDFPage.get_pages(pdf_file, maxpages=1): 
                interpreter.process_page(page) 
 
            pdf_text = string_writer.getvalue() 
    finally: 
        if device: 
            device.close() 
    return pdf_text 

文本不符合 pdf 的文本布局。 当前结果:

Montag 09.04.2018  
Menü 1  
 
Kl. Salat  
 
 
Menü 2  
 
Kl. Salat  
 
Seelachs-Spinat-Türmchen mit Spinat- 
Masalla-Sauce und Reis  
Currywurst mit Pommes  

预期结果:

Montag 09.04.2018  
Menü 1  
 
Kl. Salat Seelachs-Spinat-Türmchen mit Spinat-Masalla-Sauce und Reis  
 
Menü 2  
 
Kl. Salat Currywurst mit Pommes  

我做错了什么或者我错过了什么?

请您参考如下方法:

关键是在 LAParams 中给出另一个 linemargin:

LAParams(line_margin=0.1) 

我的行现在看起来像这样:

device = TextConverter(resource_manager, string_writer, codec='utf-8', laparams=LAParams(line_margin=0.1)) 

归功于 Tim