使用pdfminer从pdf提取文本可得到多个副本
问题内容：
我正在尝试使用PDFMiner从PDF文件提取文本（在python中使用PDFMiner从PDF文件提取文本中找到的代码？）。除了path / to /
pdf，我没有更改代码。令人惊讶的是，该代码返回了同一文档的多个副本。我在其他pdf文件中得到了相同的结果。我需要传递其他论点还是缺少什么？非常感谢您的帮助。以防万一，我提供代码：
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)
fp = file(path, 'rb')
interpreter = PDFPageInterpreter(rsrcmgr, device)
password = ""
maxpages = 0
caching = True
pagenos=set()
fstr = ''
for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
interpreter.process_page(page)
str = retstr.getvalue()
fstr += str
fp.close()
device.close()
retstr.close()
return fstr
print convert_pdf_to_txt("test.pdf")
问题答案：
我的回答在您所引用的线程中有点不正确。我发现了错误，却忘记了更新答案。
因为pdfminer的文档非常稀疏，所以我无法完全解释为什么这样做会起作用。希望了解pdfminer库的人能对我们有所帮助。
我所知道的是，您必须text = retstr.getvalue()在for循环之外进行操作。我只能假定retstr正在像final_text += text在for循环中那样进行更新，因此一旦完成，我们只需text = retstr.getvalue()要从所有页面中获取文本即可。
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)
fp = file(path, 'rb')
interpreter = PDFPageInterpreter(rsrcmgr, device)
password = ""
maxpages = 0
caching = True
pagenos=set()
for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages,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("test.pdf")
希望这对您有所帮助！
