PDF dosyalarını metne dönüştürmek için herhangi bir Python modülü var mı? Activestate'de bulunan ve pypdf kullanan tek bir kod parçasını ( yansıtma) denedim, ancak oluşturulan metinde boşluk yoktu ve işe yaramadı.
Bu soru ilk olarak cnu tarafından stack overflow'da yayınlandı ancak kapandı.
python 3 kitaplıkları için python pdfminer2 veya pdfminer3k / pdfminer.six metni pdf'den çıkarabilir metin içeren dosyalar (pdf olarak saklanan taranmış belgelerin metin veya OCR denemesi içermeyeceğini unutmayın).
Kullanışlılık sağlamak için pdf2txt.py komut satırı terminalde kullanın.
Python'da pdf'yi yönetmenin en kolay yolu PyPDF2 'dir ayrıca metin ve sayfalar, yazar, oluşturucu gibi diğer bilgileri de çıkarabilirsiniz ...
PyPDF2 sorununuzu çözmezse, pdftotext unix komutunu gördünüz mü? Size doğru bir çıktı veriyor mu?
UTF-8 içeriği için benim için çalışan tek çözüm: Apache Tika
tika import parserparsed = parser.from_file ('/ path / to / file.pdf ') yazdır (ayrıştırılmış ["içerik"])
İki PDF modülüyle çalıştım: PyPDF2 ve pdfminer.six
PDFminer.six, PyPDF2'den daha güvenilir ancak 6 kat daha yavaştır (
İşte PDFminer.six için çalışan bir kod örneği, dokümantasyon biraz seyrek: https://stackoverflow.com/a/61857301/7483211
PDF'yi Metne dönüştürmek için GroupDocs.Conversion Cloud SDK for Python 'u kullanabilirsiniz. Diğer yaygın dosya formatlarını da metne dönüştürebilir. Ücretsiz paket planı ayda 50 ücretsiz kredi sağlıyor.
Aspose'da geliştirici misyoneriyim.
https://github.com/kermitt2/grobid + https://github.com/kermitt2/grobid-client-python:
PDF makalelerinden tam metin çıkarma ve yapılandırma, metin gövdesinin yapılandırılması için genel belge bölümleme ve modeller (paragraf, bölüm başlıkları, referans belirtme çizgisi, şekil, tablo vb.).
https://github.com/allenai/spv2:
https://github.com/allenai/science-parse:
Science Parse, bilimsel makaleleri ayrıştırır (PDF biçiminde) ve bunları yapılandırılmış biçimde döndürür. Bugün itibariyle şu alanları desteklemektedir: […] Bölümler (her biri başlık ve gövde metni ile).