我想用 python 抓取印地语（印度语言）pdf 文件

Question

我已经编写了 python 代码来从 PDF 文件中抓取所有数据。这里的问题是，一旦它被刮掉，这些词就失去了它们的语法。如何解决这些问题？我附上代码。

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO
def convert_pdf_to_txt(path):
   rsrcmgr = PDFResourceManager()
   retstr = StringIO()
   codec = 'utf-8'
   laparams = LAParams()
   device = TextConverter(rsrcmgr, retstr, codec=codec,laparams=laparams)
   with open(path, 'rb') as fp:
         interpreter = PDFPageInterpreter(rsrcmgr, device)
         password = ""
         caching = True
         pagenos = set()

         for page in PDFPage.get_pages(fp, pagenos, password=password,caching=caching, check_extractable=True):
             interpreter.process_page(page)
         text = retstr.getvalue()
  device.close()
  retstr.close()
  return text
print convert_pdf_to_txt("S24A276P001.pdf")

这里是PDF的截图。

Answer 1

解决该问题的最佳方法是使用 python 中的 textract 模块并从其 github 存储库加载印地语测试数据，并将提取的文本写入 txt 文件。这解决了我的问题。

我想用 python 抓取印地语（印度语言）pdf 文件

I want to scrape a Hindi(Indian Langage) pdf file with python

python

pdf

ocr

pdfminer

pdf-scraping