python3-用 pdfminer.six 的 pdf2txt.py 工具提取pdf全部内容

说明

pdfminer3k 在识别 pdf 文字的时候会遗漏内容，因此找到了 pdfminer.six 这个补充 pdfminer3k 的模块。而 pdfminer 和 pdfminer3k 的区别在于后者支持 python2.6 以及更新的 python3 版本。

问：为什么使用 pdfminer.six 呢？
答：pdf2txt.py 脚本使用及其简便快捷，可通过命令行直接提取全部文字并保存成 txt 或者 html 文件，无需用 pdfminer3k 编程提取文字。

【 pdfminer.six 项目主页： https://github.com/pdfminer/pdfminer.six 】

使用方法

安装

在 https://github.com/pdfminer/pdfminer.six 上下载 zip 文件，然后解压。cd 进入解压后的目录（比如 cd pdfminer.six-master），然后在 终端 / cmd 界面输入

python3 setup.py install

测试是否成功安装

在 终端 / cmd 界面输入（注意此时所在目录仍为 pdfminer.six-master）

pdf2txt.py samples/simple1.pdf

结果如下：

处理识别 CJK 语言

对于识别中文等 CJK 语言文字，根据 pdfminer.six-master/docs/index.html 的说明，在安装前需要使用下面的命令

• Linux / Mac

$ make cmap

$ python3 setup.py install

• Windows（复制以下全部内容然后运行）

mkdir pdfminer\cmap
python tools\conv_cmap.py -c B5=cp950 -c UniCNS-UTF8=utf-8 pdfminer\cmap Adobe-CNS1 cmaprsrc\cid2code_Adobe_CNS1.txt
python tools\conv_cmap.py -c GBK-EUC=cp936 -c UniGB-UTF8=utf-8 pdfminer\cmap Adobe-GB1 cmaprsrc\cid2code_Adobe_GB1.txt
python tools\conv_cmap.py -c RKSJ=cp932 -c EUC=euc-jp -c UniJIS-UTF8=utf-8 pdfminer\cmap Adobe-Japan1 cmaprsrc\cid2code_Adobe_Japan1.txt
python tools\conv_cmap.py -c KSC-EUC=euc-kr -c KSC-Johab=johab -c KSCms-UHC=cp949 -c UniKS-UTF8=utf-8 pdfminer\cmap Adobe-Korea1 cmaprsrc\cid2code_Adobe_Korea1.txt
python setup.py install

【pdfminer.six-master/pdfminer/cmp 文件包含用于识别 CJK 字体的各种解码包】

测试是否能够识别包含 CJK 的 pdf 文字

（注意此时所在目录仍为 pdfminer.six-master）

• 提取名字为 simple1.pdf 的全部文字内容，并保存到 output.html 的文件中

$ pdf2txt.py -o output.html samples/simple1.pdf

• 提取竖排的日文文字，并保存成 output.html （-V 表示竖排，-c euc-jp 表示用 euc-jp 解码，如果 pdf 为中文，可试试 gbk、gb2312、gb18030、utf8 等）

$ pdf2txt.py -V -c euc-jp -o output.html samples/jo.pdf

• 提取带加密的 pdf，并保存成 output.txt

$ pdf2txt.py -P mypassword -o output.txt secret.pdf

一些问题的处理

• Windows 下输入 pdf2txt.py abc.pdf 或者直接输入 pdf2txt.py 打开了该 py 文件

  在 pdf2txt.py 前加上 python3，即使用 python3 pdf2txt.py abc.pdf 等命令

• 测试的时候出现 ModuleNotFoundError: No module named ‘pdfminer.settings’ 报错

  将 pdf2txt.py 文件单独复制出来运行和测试，注意 pdf 文件的路径需要更改

• 单独输入 pdf2txt.py 出现 ModuleNotFoundError: No module named ‘pdfminer.settings’ 报错

  可能是与之前安装的 pdfminer 冲突，找到本地安装的 pdfminer 路径，把文件夹删除即可

• FileNotFoundError: [Errno 2] No such file or directory: ‘abc.pdf’ 报错

  查看并输入正确包含该 pdf 的路径

• 能否提取图片

  从介绍来看 pdf2txt.py 不支持。但 dumppdf.py 以伪 XML 格式转储 PDF 文件的内部内容，该程序主要用于调试目的，可以提取一些有意义的内容（例如图像）

• 能否批量提取 pdf 文字

  可以。因为该工具类为命令行操作，使用 os、subprocess 模块的命令行调用函数，利用循环等命令便可实现提取批量的 pdf。比如 os.system("python3 pdf2txt.py -o {}.txt {}.pdf".format(output, filename))

• 如何查看 pdf2txt.py 命令行的其他参数

  docs/index.html 提供具体参数的说明，直接在命令行输入 pdf2txt.py 可查看简略参数（Windows下可能不支持）

$ pdf2txt.py
usage: pdf2txt.py [-h] [-d] [-p PAGENOS]
                  [--page-numbers PAGE_NUMBERS [PAGE_NUMBERS ...]]
                  [-m MAXPAGES] [-P PASSWORD] [-o OUTFILE] [-t OUTPUT_TYPE]
                  [-c CODEC] [-s SCALE] [-A] [-V] [-W WORD_MARGIN]
                  [-M CHAR_MARGIN] [-L LINE_MARGIN] [-F BOXES_FLOW]
                  [-Y LAYOUTMODE] [-n] [-R ROTATION] [-O OUTPUT_DIR] [-C] [-S]
                  files [files ...]
pdf2txt.py: error: the following arguments are required: files

• 支持导出的格式

  html / xml / txt