¿Hay algún módulo de Python para convertir archivos PDF en texto? Probé una pieza de código ( mirror ) que se encuentra en Activestate que usa pypdf pero el texto generado no tenía espacio entre ellos y no sirvió de nada.
Esta pregunta fue publicada originalmente en el desbordamiento de pila por cnu pero se cerró.
Las bibliotecas python pdfminer2 o pdfminer3k / pdfminer.six para python 3 pueden extraer el texto de los archivos pdf que contienen texto (tenga en cuenta que los documentos escaneados almacenados como pdf no contendrán texto o un intento de OCR).
Incluye la pdf2txt.pyutilidad de línea de comandos para permitir un uso conveniente en la terminal.
Sin embargo, puede encontrar que vale la pena mirar pdf-scraper-with-ocr que proporciona una GUI que le permite seleccionar las regiones de un documento escaneado para convertir, las páginas para omitir, etc. luego las genera como imágenes y usa Tesseract para OCR las imágenes en campos con nombre para usted.
Dado que se basa en Python y Tesseract, ambos multiplataforma, debería funcionar en casi cualquier plataforma.
La forma más fácil de administrar pdf en python es PyPDF2 , también puede extraer texto y otra información como páginas, autor, creador ...
Dijiste que lo intentaste pypdfpero es una versión desactualizada y este problema podría resolverse. Tal vez su problema sea con un archivo específico. Si PyPDF2no resuelve su problema, ¿viste el comando Unix pdftotext? ¿Te da una salida correcta?
He trabajado con dos módulos PDF: PyPDF2ypdfminer.six
PDFminer.six es más confiable que PyPDF2 pero 6 veces más lento (temporizado).
Aquí hay un ejemplo de código de trabajo para PDFminer.six, la documentación es un poco escasa: https://stackoverflow.com/a/61857301/7483211
La única solución que me funcionó para contenido UTF-8: Apache Tika
from tika import parser
parsed = parser.from_file('/path/to/file.pdf')
print(parsed["content"])
PyPDF2 se mantiene nuevamente y recibió una mejora masiva de extracción de texto con PyPDF2==2.1.0.
Instalarlo:pip install PyPDF2 --upgrade
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf")
text = ""
for page in reader.pages:
text += page.extract_text() + "\n"
print(text)
Mi punto de referencia muestra que Tika / MuPDF / PDFium aún tienen una mejor calidad de extracción. Sin embargo, hay dos cosas importantes a considerar:
Puede usar GroupDocs.Conversion Cloud SDK for Python para convertir PDF a texto. También puede convertir otros formatos de archivo comunes a texto. Su plan de paquete gratuito proporciona 50 créditos gratis por mes.
Soy evangelista de desarrolladores en Aspose.
https://github.com/kermitt2/grobid + https://github.com/kermitt2/grobid-client-python :
Extracción y estructuración de texto completo a partir de artículos PDF, incluido un modelo para la segmentación general del documento y modelos para la estructuración del cuerpo del texto (párrafo, títulos de sección, leyenda de referencia, figura, tabla, etc.).
https://github.com/allenai/spv2 :
https://github.com/allenai/science-parse :
Science Parse analiza artículos científicos (en formato PDF) y los devuelve en forma estructurada. A partir de hoy, admite estos campos: […] Secciones (cada una con encabezado y cuerpo de texto).
Martín Tomas
franck dernoncourt