我正在尝试使用pdfminer从pdf获取文本数据。我能够用pdfminer命令行工具pdf2txt.py成功地将这些数据提取到一个.txt文件中。我现在这样做,然后使用python脚本清理.txt文件。我希望将pdf提取过程合并到脚本中,并为自己节省一个步骤。
I thought I was on to something when I found this link,但是我没有成功地解决任何问题。可能这里列出的函数需要再次更新,因为我使用的是更新版本的pdfminer。
I also tried the function shown here, but it also did not work.
我尝试的另一种方法是使用os.system
在脚本中调用脚本。这也不成功。
我使用的是Python版本2.7.1和pdfminer版本20110227。
这是一个清理版本,我终于产生了为我工作。下面只返回PDF格式的字符串,给出它的文件名。我希望这能节省一些时间。
此解决方案在API changes in November 2013之前有效。
我知道回答你自己的问题是低级趣味的,但我想我可能已经解决了这个问题,我不希望其他人浪费时间来寻找解决我问题的方法。
我在问题中发布的一个链接中遵循了建议,并重新设计了pdfminer中包含的当前pdf2txt.py脚本。这是函数,以防对其他人有用。感谢用户skyl发布了这个答案,我所需要做的就是做一些修改,使其能够与pdfminer的当前版本一起工作。
此函数接受pdf并在同一目录中创建同名的.txt文件。
下面是一个适用于最新版本的新解决方案:
相关问题 更多 >
编程相关推荐