Я пытаюсь извлечь определенную страницу, используя PDFminer и Python 2.7.
В настоящее время я могу извлечь страницу на основе номера страницы, но не могу извлечь страницу на основе определенной строки, которую я пытаюсь найти в документе PDF.Я смог сделать это с PyPDF2, но извлечение со страницы было не таким чистым, как с PDFminer, поэтому я решил использовать его вместо этого.Текст выходит намного лучше с PDFminer.
Вот мой код из PDFminer: '' '
base_path = "/Users/username/Documents"
my_file = os.path.join(base_path + "/" + "Personal-Auto-Policy.pdf")
log_file = os.path.join(base_path + "/" + "Output3.txt")
password = ""
extracted_text = ""
fp = open(my_file, "rb")
parser = PDFParser(fp)
document = PDFDocument(parser, password)
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr,device)
target = ""
NumPages = PDFPage.get_pages(fp)
for pageNumber, page in enumerate(NumPages):
for line in str(page):
if("296 S 468211" in line):
interpreter.process_page(page)
layout = device.get_result()
for lt_obj in layout:
if isinstance(lt_obj, LTTextBox) or isinstance(lt_obj, LTTextLine):
extract_text = lt_obj.get_text()
fp.close()
with open(log_file, "wb") as my_log:
my_log.write(extracted_text.encode('utf-8'))
print("Target page extraction success!")
' ''
Когда я запускаю это, я не получаю ожидаемый результат, но если ясделать что-то подобное с PyPDF2, он захватывает правильную страницу.Как я уже говорил, извлечение текста из PyPDF2 не является лучшим, поэтому я бы предпочел использовать PDFminer.