python PDFminer只解析部分页面
发布时间:2020-12-16 21:32:36 所属栏目:Python 来源:网络整理
导读:我正在使用模块pdfminer python模块解析PDF文档.我只是想从这个文档中提取文本. 这个过程很顺利但是,当我提取LTText *对象时,我意识到我没有得到LTText *对象中的所有文本.它似乎有一个内部缓冲区或类似的东西导致文本被切割在每一页. 我的代码: ...for lt_
我正在使用模块pdfminer
python模块解析PDF文档.我只是想从这个文档中提取文本.
这个过程很顺利但是,当我提取LTText *对象时,我意识到我没有得到LTText *对象中的所有文本.它似乎有一个内部缓冲区或类似的东西导致文本被切割在每一页. 我的代码: ... for lt_text_obj in lt_objs: if isinstance(lt_text_obj,LTTextBox) or isinstance(lt_text_obj,LTTextLine): if lt_text_obj._objs: for text_obj in lt_text_obj._objs: if isinstance(text_obj,LTTextBox) or isinstance(text_obj,LTTextLine)]: text_content.append(text_obj) ... text_obj变量永远不会包含整个文本,即使pdf文件页面中的此文本始终格式相同也是如此. 我不认为问题出在代码中,因为我还使用pdf2txt.py脚本将pdf文件转换为txt,并且生成的txt文件的页面也被“剪切”. 似乎问题可能是pdfminer配置或我的pdf文件格式……我完全迷失了. 有任何想法吗? 解决方法
没有输入pdf很难说,我试着运行:
pdf2txt.py -o output.xml path/to/your_input.pdf 这个工具是pdfminder的一部分,对于调试非常有用,尝试检查结果xml以找到未正确提取的模式 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |
相关内容
- 理解生产者消费者模型及在Python编程中的运用实例
- python实现socket客户端和服务端简单示例
- python – Seaborn tsplot没有显示CI乐队
- Python 3.x读写csv文件中数字的方法示例
- Python中使用md5sum检查目录中相同文件代码分享
- python的命名规则知识点总结
- python – django.core.urlresolvers.resolve apache非root
- Python实现遍历目录的方法【测试可用】
- python – `如果键在dict`与`try / except` – 这是更具可读
- python – 设置django rest框架配置的DatetimeField格式