Skip to main content
 首页 » 编程设计

python之使用 pdfminer 从文件夹中转换多个 PDF 文件,根据其坐标提取文本

2024年12月31日12kenshinobiy

我想根据文本的坐标从使用 pdfminer 的文件夹中转换多个 PDF 文件并将我的结果存储到列表或字典中来提取文本。我最初设法转换单个文件,并能够根据其坐标提取文本。

我必须说我不是很擅长 Python,但我正在尽力而为。如果有人能告诉我如何修复以下代码,我将不胜感激:

import os 
import glob 
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 
from cStringIO import StringIO 
 
 
directory = os.path.abspath('./') 
pdfFiles = glob.glob(os.path.join(directory, '*.pdf')) 
 
resourceManager = PDFResourceManager() 
returnString = StringIO() 
codec = 'utf-8' 
laParams = LAParams() 
device = PDFPageAggregator(resourceManager, laparams=laParams) 
interpreter = PDFPageInterpreter(resourceManager, device) 
 
 
maxPages = 0 
caching = True 
pageNums=set() 
 
for one_pdf in pdfFiles: 
    print("Processing file: " + str(one_pdf)) 
    fp = file(one_pdf, 'rb') 
    name = "one_pdf" 
 
    lst =[] 
    def parse_obj(lt_objs): 
        for one_pdf in enumerate(pdfFiles): 
            for obj in lt_objs: 
                if isinstance(obj, pdfminer.layout.LTTextBoxHorizontal): 
                    print "%6d, %6d, %s" % (obj.bbox[0], obj.bbox[1], obj.get_text().replace('\n', '_')) 
                    lst.append([one_pdf,[[obj.bbox[0],obj.bbox[1]], obj.get_text()]]) 
 
                elif isinstance(obj, pdfminer.layout.LTFigure): 
                    parse_obj(obj._objs) 
 
    for page in PDFPage.get_pages(fp, pageNums, maxpages=maxPages,caching=caching, check_extractable=True): 
 
            interpreter.process_page(page) 
            layout = device.get_result() 
 
            parse_obj(layout._objs) 
 
device.close() 
returnString.close() 

代码输出给定文件夹中 PDF 的名称,后跟 PDF 文本布局。这是我无法将结果成功存储到嵌套列表或字典中的地方。

请您参考如下方法:

我想我已经想出了如何将 pdf 名称作为键及其内容连同内容的坐标存储到字典 (pdf_dict) 中。

lst=[] 
dicts_from_file =[] 
pdf_dict = {} 
 
for one_pdf in pdfFiles: 
#print("Processing file: " + str(one_pdf)) 
fp = file(one_pdf, 'rb') 
name = str(one_pdf) 
head, tail = os.path.split(name) 
dicts_from_file.append({tail}) 
 
def parse_obj(lt_objs): 
    for obj in lt_objs: 
        if isinstance(obj, pdfminer.layout.LTTextBoxHorizontal): 
            lst.append([[obj.bbox[0],obj.bbox[1]],obj.get_text().replace('\n', '')]) 
            pdf_dict.update( {tail : lst} ) 
 
 
        elif isinstance(obj, pdfminer.layout.LTFigure): 
            parse_obj(obj._objs) 
            return [] 
 
for page in PDFPage.get_pages(fp, pageNums, maxpages=maxPages, password=password,caching=caching, check_extractable=True): 
    interpreter.process_page(page) 
    layout = device.get_result() 
 
    parse_obj(layout._objs) 
 
device.close() 
returnString.close()