使用pdfminer从pdf中提取文本给出多个副本

我正在尝试使用 PDFMiner 从 PDF 文件中提取文本（代码位于在Python中使用PDFMiner从PDF文件中提取文本？ https://stackoverflow.com/questions/26494211/extracting-text-from-a-pdf-file-using-pdfminer-in-python）。除了path/to/pdf 之外，我没有更改代码。令人惊讶的是，该代码返回同一文档的多个副本。我用其他 pdf 文件得到了相同的结果。我需要传递其他参数还是我遗漏了一些东西？非常感谢任何帮助。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")

我的回答在您引用的线程中有点不正确。我发现了错误并忘记更新我的答案。

因为 pdfminer 的文档非常稀疏，所以我无法完全解释为什么它会这样工作。希望对 pdfminer 库有更多了解的人可以给我们一些见解。

我只知道你必须做text = retstr.getvalue()在 for 循环之外。我只能假设retstr正在更新，就像我们正在做的那样final_text += text在 for 循环内，所以一旦全部完成，我们只需要做text = retstr.getvalue()从所有页面获取文本。

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")

希望这有帮助！