使用pdfminerPython从特定的轮廓或目标不是页码中提取文本

问题描述

我正在使用pdfminer.six从PDF文件中提取文本。我曾尝试过其他PDF提取器，但只有pdfminer可以按他们需要的方式处理文本。

我想从符合搜索条件的特定轮廓（书签）中提取文本。

PDFDocument类具有用于提取轮廓的方法get_outlines。它返回一个元组生成器，其中包含大纲的 level，标题，目的地和其他信息。 “目标”值是由PDFObjRef类实例和其他信息组成的列表。

这是从get_outlines返回的数据的样子：

（...）

（1，“帐户信息客户端20”，[PDFObjRef：3918，/“ FitH”，36]，无，无）

（1，“帐户信息客户端21”，[PDFObjRef：3931，/'FitH'，36]，无，无）

（...）

pdfminer文档页面上说，“某些PDF文档使用页码作为目标，而其他PDF文档则使用页码和页面的实际位置”。 上面示例中的PDFObjRef的编号不是页码：我在此示例中使用的PDF只有933页。

正如我在一开始所说的，我只需要从PDF文件的许多轮廓之一中提取文本。 使用以下代码段，我可以创建一个生成器并提取序列中的每个页面：

from io import StringIO

from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser

output_string = StringIO()
with open('samples/simple1.pdf','rb') as in_file:
    parser = PDFParser(in_file)
    doc = PDFDocument(parser)
    rsrcmgr = PDFResourceManager()
    device = TextConverter(rsrcmgr,output_string,laparams=LAParams())
    interpreter = PDFPageInterpreter(rsrcmgr,device)
    for page in PDFPage.create_pages(doc):
        interpreter.process_page(page)

result = output_string.getvalue()

但是我不怎么指向一个特定的页面目标（或页面范围，包括两个目标之间）并仅从该片段中提取文本。

有人可以帮忙吗？ 如何将PDFObjRef：3918和PDFObjRef：3931转换为页码，或者如何像这样间隔提取数据？

我正在使用Python 3.8.5和pdfminer.six。

谢谢！

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）