如何在Python中从PDF文件中提取文本？
如何在Python中从PDF文件中提取文本？
提问于 2013-03-23 12:57:36
如何在Python中从PDF文件中提取文本？
我尝试了以下几种方法：
import sys
import pyPdf
def convertPdf2String(path):
content = ""
pdf = pyPdf.PdfFileReader(file(path, "rb"))
for i in range(0, pdf.getNumPages()):
content += pdf.getPage(i).extractText() + " \n"
content = " ".join(content.replace(u"\xa0", u" ").strip().split())
return content
f = open('a.txt','w+')
f.write(convertPdf2String(sys.argv[1]).encode("ascii","xmlcharrefreplace"))
f.close()但结果如下，而不是可读的文本：
728；ˆˆˆ˜#$·ˆ˚ˆˇˆ#$%&('%$&))$$+%#，-.+&&˝()*˝+，-./012)(ˆ˝˛˛˛˛ˆ˜ˆˆˆ˘ˆ˛)ˆ“ˆ˘，-3·ˆ˘˛ˆ˜/0245)ˇˆ˜˚ˇˇ！”“˘ˇˆ，+2，+/！#！！&ˆ˝˛˛˛˛ˆ˜ˆˆˆ˘ˆ˛1”%˘20˛˛3ˆ07%4！˘“6˛ˆ˝ˆˆ˘&/&4”9ˆ%6ˇ%4%4&5˘2)˘˘˛%：6
回答 1
Stack Overflow用户
回答已采纳
发布于 2013-03-23 23:19:17
如果你运行的是linux或mac，你可以在你的代码中使用ps2ascii命令：
import os
input="someFile.pdf"
output="out.txt"
os.system(("ps2ascii %s %s") %( input , output))页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/15583535
复制相关文章
相似问题