使用pdfminer从pdf提取文本可得到多个副本

使用pdfminer从pdf提取文本可得到多个副本

我的回答在您所引用的线程中有点不正确。我发现了错误，却忘记了更新答案。

因为pdfminer的文档非常稀疏，所以我无法完全解释为什么这样做会起作用。希望了解pdfminer库的人能对我们有所帮助。

我所知道的是，您必须

text = retstr.getvalue()

在for循环之外进行 *** 作。我只能假定

retstr

正在像

final_text+= text

在for循环中那样进行更新，因此一旦完成，我们只需

text = retstr.getvalue()

要从所有页面中获取文本即可。

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import TextConverterfrom pdfminer.layout import LAParamsfrom pdfminer.pdfpage import PDFPagefrom cStringIO import StringIOdef convert_pdf_to_txt(path):    rsrcmgr = PDFResourceManager()    retstr = StringIO()    prec = 'utf-8'    laparams = LAParams()    device = TextConverter(rsrcmgr, retstr, prec=prec, laparams=laparams)    fp = file(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 textprint convert_pdf_to_txt("test.pdf")

希望这对您有所帮助！