如何使用 Python 中的 PDFMiner 以及最新的 API 更改從 PDF 文件中提取文字？

在Python 中使用PDFMiner 從PDF 文件中提取文字

從PDF 文件中提取文字是處理結構化資料時的一項常見任務。 Python 提供了 PDFMiner 函式庫來促進此過程。然而，最近對 PDFMiner API 的更新使許多先前的範例變得過時。

為了解決這個問題，讓我們探索使用目前版本的PDFMiner 進行文字擷取的工作範例：

<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>

This函數將PDF 檔案路徑作為輸入，並以字串形式返回提取的文字。它可以處理常見場景，例如受密碼保護的 PDF 和多頁文件。

透過使用最新版本的 PDFMiner 並實現此功能，您可以在 Python 應用程式中有效地從 PDF 文件中提取文字。

以上是如何使用 Python 中的 PDFMiner 以及最新的 API 更改從 PDF 文件中提取文字？的詳細內容。更多資訊請關注PHP中文網其他相關文章！