python PDFminer只解析部分页面

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

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：安卓应用网）

【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!