在六号乘客在某些具有分辨率图像和文本的文件上卡住了,所以我想如果我可以抑制布局分析,它可能会跳过这些页面并继续前进。在
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
abspath_pdf = r'C:\\Users\\shricharan.arumugam\\Desktop\\Baraka East_1 Ichron REPORT Final.pdf'
def convert_pdf_to_txt2(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()
i=1
#test_pages=PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True)
for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
interpreter.process_page(page)
print(i)
i=i+1
text = retstr.getvalue()
fp.close()
device.close()
retstr.close()
return text
convert_pdf_to_txt2(abspath_pdf)
文档中说要使用-n来抑制布局分析,但是有人能告诉我如何使用它吗?在
H Shricharan-在调用laparams=laparams()之后立即尝试设置laparams=None。(我把对LAParams()的调用放在那里,以防它调用我需要的一些初始化代码,但是在下一行中重写了LAParams,其中没有任何代码)。这就是pdf2中的代码文本.py似乎可以。我和你有同样的问题,到目前为止(祈祷)似乎已经解决了。(ie—它似乎速度非常快,并且不会卡在某些文件上,但缺点是,它现在似乎只是将转换后的文本作为一个长字符串返回,没有段落、换行符等。。或者,如果你不确定的话,那就做标记吧
相关问题 更多 >
编程相关推荐