Python pdfminer LAParams 混合文本输出

Question

我有一个 pdf 文件，我想用 pdfminer.The 解析其中的文本问题是 LAParams 有时会失败，并且在 end.I 处给出该行的某些部分无法弄清楚原因。我的 pdf 看起来像这样：输出看起来像这样：我的代码在这里，提前致谢：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io 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)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    caching = True
    pagenos=set()

    for PageNumer,page in enumerate(PDFPage.get_pages(fp, pagenos , password=password,caching=caching, check_extractable=True)):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text
print(convert_pdf_to_txt('C:\Users\Vagos\Desktop\europe.pdf'))

Answer 1

自己找到了答案。 LAParams() 具有 word_margin 默认值 0.3 。我的文档显然有时会更大，这会导致问题。替换 LAParams() 用 LAParams(char_margin = 20) 解决了 issue.There 其他变量也见 http://nullege.com/codes/search/pdfminer.layout.LAParams

Python pdfminer LAParams 混合文本输出

Python pdfminer LAParams mixes text output

python

pdfminer