需要將pdf轉成txt，先后嘗試使用python庫pdfminer與pyocr(tesseract)。

1. pdfminer:

沒研究原理，識別效果還可以。但識別效果是按照各個區域塊去識別文字，而不是按行識別，所以格式混亂時不太推薦。當文字在pdf上無法選中時，pdfminer也無法識別該文字。好像還可以用來識別表格之類的，沒試過。代碼如下：

先裝庫：pip install pdfminer3k

from pdfminer.converter import PDFPageAggregator from pdfminer.layout import LAParams from pdfminer.pdfparser import PDFParser, PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.pdfdevice import PDFDevice from pdfminer.layout import LTTextBoxHorizontal, LAParamsdef pdf2txt_miner(f_from, f_to):# 按塊識別, 可選中的文字print(f'start: {f_from}')fp = open(f_from, 'rb')# 用文件對象來創建一個pdf文檔分析器praser = PDFParser(fp)# 創建一個PDF文檔doc = PDFDocument()# 連接分析器 與文檔對象praser.set_document(doc)doc.set_parser(praser)# 提供初始化密碼# 如果沒有密碼 就創建一個空的字符串doc.initialize()# 檢測文檔是否提供txt轉換，不提供就忽略if not doc.is_extractable:pass# raise PDFTextExtractionNotAllowedelse:# 創建PDf 資源管理器 來管理共享資源rsrcmgr = PDFResourceManager()# 創建一個PDF設備對象laparams = LAParams()device = PDFPageAggregator(rsrcmgr, laparams=laparams)# 創建一個PDF解釋器對象interpreter = PDFPageInterpreter(rsrcmgr, device)with open(f_to, 'w') as f:# 循環遍歷列表，每次處理一個page的內容for page in doc.get_pages(): # doc.get_pages() 獲取page列表interpreter.process_page(page)# 接受該頁面的LTPage對象layout = device.get_result()# 這里layout是一個LTPage對象 里面存放著 這個page解析出的各種對象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文本就獲得對象的text屬性，for x in layout:if (isinstance(x, LTTextBoxHorizontal)):results = x.get_text()for gar in garbage_text:if results.startswith(gar):breakelse:print(results)f.write(results.replace('\n', ' '))fp.close()

2. pyocr：

效果還可以，在本次的需求上效果比pdfminer要好。我安裝了windows和centos的兩個系統，但很遺憾具體步驟我都記不清了.....雖然還是上周的事情..........

簡單描述一下吧。

(1) windows: 需要裝PIL、tesseract、pyocr、imagemagic。

(2) centos:?https://github.com/tesseract-ocr/tesseract/wiki#centos-fedora-scientificlinux-opensuse-rhel-packages

? ? ? 注意：tesseract在兩個系統中都需要配置環境變量的。

代碼如下：

from wand.image import Image from PIL import Image as PI import pyocr import pyocr.buildersdef pdf_ocr(f_from, f_to):print(pyocr.get_available_tools())# 默認三個tools，分別為tesseract,libtesseract,cuneiform,我使用的是tesseract。tool = pyocr.get_available_tools()[0]print(tool.get_available_languages())# 語言選擇英語lang = tool.get_available_languages()[0]req_image = []total_txt = ''final_list = []pkl_path = f_from.rsplit('.')[0]+'___txt.pkl'with open(f_to, 'w', encoding='utf-8') as f_to:if os.path.exists(pkl_path):total_txt = pickle.load(open(pkl_path, 'rb'))else:# pdf先轉成圖片，resolution可以調分辨率。image_pdf = Image(filename=f_from, resolution=300)# image_pdf = Image(filename=f_from)image_jpeg = image_pdf.convert('jpeg')for img in image_jpeg.sequence:print(img)img_page = Image(image=img)req_image.append(img_page.make_blob('jpeg'))# 對圖片進行ocr識別for idx, img in enumerate(req_image):print(idx)txt = tool.image_to_string(PI.open(io.BytesIO(img)),lang=lang,builder=pyocr.builders.TextBuilder())total_txt = total_txt + txtpickle.dump(total_txt, open(pkl_path, 'wb'))

?

?

總結

以上是生活随笔為你收集整理的python之pdf转txt的两种方法——pdfminer与ocr的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。