如何让pypdf逐行读取页面内容？

Question

我有一个PDF文件，每一页上都有一个地址。这些地址的格式是这样的：

Location Name

Street Address

City, State Zip

举个例子：

The Gift Store

620 Broadway Street

Van Buren, AR 72956

每个地址都是这个格式，而且每个地址都在PDF的不同页面上。

我需要提取这些地址信息，并把结果存储到一个Excel或CSV文件里。我希望每个信息字段都能单独分开。我的Excel表格需要有位置名称、街道地址、城市、州和邮政编码，每个信息都在不同的列里。我正在使用Python中的pyPdf库。

我用以下代码来实现这个功能，但我的代码没有考虑换行符，而是把整页的数据当作一个连续的字符串输出。

import pyPdf  
def getPDFConten(path):
    content = ""
    num_pages = 10
    p = file(path, "rb")
    pdf = pyPdf.PdfFileReader(p)
    for i in range(9, num_pages):
        x = pdf.getPage(i).extractText()+'\n' 
        content += x

    content = " ".join(content.replace(u"\xa0", " ").strip().split())     
    return content

con = getPDFContent("document.pdf")
print con

比如我的例子，它输出的是"The Gift Store 620 Broadway Street Van Buren, AR 72956"。

如果我能逐行读取输入，那我就可以很容易地从前两行中获取位置名称和街道地址，然后从第三行中获取其余的信息，使用子字符串来处理。

我尝试使用这里列出的解决方案（pyPdf忽略PDF文件中的换行符），但对我来说没有用。我也试过使用pdfminer：它可以逐行提取信息，但它首先把PDF转换成文本文件，而我不想这样。我只想使用pyPdf。有没有人能告诉我我哪里出错了，或者我缺少了什么？用pyPdf做到这一点可能吗？

Answer 1

你可以试试用 subprocess 来调用 pdftotext，可能还要加上 -layout 这个选项，这个工具是 poppler 提供的。对我来说，这个方法比用 pypdf 要好很多。

比如，我用下面的代码从一个 PDF 文件中提取 CAS 号码：

import subprocess
import re

def findCAS(pdf, page=None):
    '''Find all CAS numbers on the numbered page of a file.

    Arguments:
    pdf -- Name of the PDF file to search
    page -- number of the page to search. if None, search all pages.
    '''
    if page == None:
        args = ['pdftotext', '-layout', '-q', pdf, '-']
    else:
        args = ['pdftotext', '-f', str(page), '-l', str(page), '-layout',
                '-q', pdf, '-']
    txt = subprocess.check_output(args)
    candidates =  re.findall('\d{2,6}-\d{2}-\d{1}', txt)
    checked = [x.lstrip('0') for x in candidates if checkCAS(x)]
    return list(set(checked))

def checkCAS(cas):
    '''Check if a string is a valid CAS number.

    Arguments:
    cas -- string to check
    '''
    nums = cas[::-1].replace('-', '') # all digits in reverse order
    checksum = int(nums[0]) # first digit is the checksum
    som = 0
    # Checksum method from: http://nl.wikipedia.org/wiki/CAS-nummer
    for n, d in enumerate(nums[1:]):
        som += (n+1)*int(d)
    return som % 10 == checksum