Python で更新された PDFMiner API を使用して PDF ファイルからテキストを抽出する方法

Mary-Kate Olsen
リリース: 2024-10-17 14:25:30
オリジナル
685 人が閲覧しました

How to Extract Text from PDF Files Using Updated PDFMiner API in Python?

Extracting Text from PDF Files with PDFMiner in Python

When working with PDF documents, extracting text can be a crucial task. PDFMiner, a Python library, simplifies this process, enabling developers to parse and extract text from PDF files.

Updated PDFMiner API and Outdated Examples

Recent updates to PDFMiner have introduced changes to its API, rendering many existing examples obsolete. The transition to the latest version can leave developers lost, unsure how to perform basic tasks like text extraction.

Example Implementation

To address this issue, let's explore a working example that demonstrates how to extract text from a PDF file using the current PDFMiner library:

<code class="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 convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()

    for page in PDFPage.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()
    return text</code>
ログイン後にコピー

This code provides a comprehensive approach to text extraction, covering all necessary steps. The convert_pdf_to_txt function takes a file path as input and handles the process of opening the file, initializing the document parser, and converting page content into a text string.

This example illustrates the updated PDFMiner syntax, eliminating the need for outdated code. It has been thoroughly tested and validated for use with the latest PDFMiner version.

以上がPython で更新された PDFMiner API を使用して PDF ファイルからテキストを抽出する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ソース:php
このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。
著者別の最新記事
人気のチュートリアル
詳細>
最新のダウンロード
詳細>
ウェブエフェクト
公式サイト
サイト素材
フロントエンドテンプレート