如何使用 Python 中的 PDFMiner 以及最新的 API 更改从 PDF 文件中提取文本？

在 Python 中使用 PDFMiner 从 PDF 文件中提取文本

从 PDF 文件中提取文本是处理结构化数据时的一项常见任务。 Python 提供了 PDFMiner 库来促进此过程。然而，最近对 PDFMiner API 的更新使许多以前的示例变得过时。

为了解决这个问题，让我们探索使用当前版本的 PDFMiner 进行文本提取的工作示例：

<code class="python">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

def convert_pdf_to_txt(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()

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text</code>

This函数将 PDF 文件路径作为输入，并以字符串形式返回提取的文本。它可以处理常见场景，例如受密码保护的 PDF 和多页文档。

通过使用最新版本的 PDFMiner 并实现此功能，您可以在 Python 应用程序中高效地从 PDF 文件中提取文本。

以上是如何使用 Python 中的 PDFMiner 以及最新的 API 更改从 PDF 文件中提取文本？的详细内容。更多信息请关注PHP中文网其他相关文章！