概述
这个过程很顺利但是,当我提取LTText *对象时,我意识到我没有得到LTText *对象中的所有文本.它似乎有一个内部缓冲区或类似的东西导致文本被切割在每一页.
我的代码：
...
for lt_text_obj in lt_objs:
if isinstance(lt_text_obj,LTTextBox) or isinstance(lt_text_obj,LTTextLine):
if lt_text_obj._objs:
for text_obj in lt_text_obj._objs:
if isinstance(text_obj,LTTextBox) or isinstance(text_obj,LTTextLine)]:
text_content.append(text_obj)
...text_obj变量永远不会包含整个文本,即使pdf文件页面中的此文本始终格式相同也是如此.
我不认为问题出在代码中,因为我还使用pdf2txt.py脚本将pdf文件转换为txt,并且生成的txt文件的页面也被“剪切”.
似乎问题可能是pdfminer配置或我的pdf文件格式……我完全迷失了.
有任何想法吗？
pdf2txt.py -o output.xml path/to/your_input.pdf
这个工具是pdfminder的一部分,对于调试非常有用,尝试检查结果xml以找到未正确提取的模式
总结
以上是编程之家为你收集整理的python PDFminer只解析部分页面全部内容，希望文章能够帮你解决python PDFminer只解析部分页面所遇到的程序开发问题。
如果您也喜欢它,动动您的小指点个赞吧
602392714
清零编程群