python-3.x - español - python documentation pdf

La mejor herramienta para la extracción de texto desde PDF en Python 3.4

Question

Estoy usando Python 3.4 y necesito extraer todo el texto de un PDF y luego usarlo para el procesamiento de texto.

Todas las respuestas que he visto sugieren opciones para Python 2.7.

Necesito algo en Python 3.4.

Bonson

Answer 1

pdfminer.six ( https://github.com/pdfminer/pdfminer.six ) también se ha recomendado en otros lugares y está diseñado para ser compatible con Python 3. Sin embargo, no puedo responder personalmente, ya que falló durante la instalación de MacOS. (Hay un problema abierto para eso y parece ser un problema reciente, por lo que podría haber una solución rápida).

Answer 2

Debe instalar el módulo PyPDF2 para poder trabajar con archivos PDF en Python 3.4. PyPDF2 no puede extraer imágenes, gráficos u otros medios, pero puede extraer texto y devolverlo como una cadena Python. Para instalarlo, ejecute pip install PyPDF2 desde la línea de comando. Este nombre de módulo distingue entre mayúsculas y minúsculas, así que asegúrese de escribir ''y'' en minúsculas y todos los demás caracteres en mayúsculas.

>>> import PyPDF2
>>> pdfFileObj = open(''my_file.pdf'',''rb'') #''rb'' for read binary mode
>>> pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
>>> pdfReader.numPages
56
>>> pageObj = pdfReader.getPage(9) #''9'' is the page number
>>> pageObj.extractText()

La última declaración devuelve todo el texto que está disponible en la página 9 del documento ''my_file.pdf''.