Python中有哪些模块可用于将PDF转换为文本？

您可以使用PDFMiner包来将PDF转换为文本。

更多Python相关文章，请阅读：Python 教程

例子

您可以按以下方式使用它：

import sys
from cStringIO import StringIO
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter
 def pdfparser(data):
    fp = file(data, 'rb')
    resource_manager = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(resource_manager,retstr, codec=codec, laparams=laparams)
    interpreter =PDFPageInterpreter(resource_manager, device)
 
    # 处理文档中包含的每个页面。
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        data = retstr.getvalue()
    print data
 pdfparser('filename.pdf')

这会获取PDF文件并使用PDFPageInterpreter类中的process_page函数逐页提取文本。

与PDFMiner相比，有一种更易于使用的API可用于提取文本。如果您正在使用格式良好的PDF，pyPDF运作良好。如果您只想要文本（带空格），您可以执行以下操作：

import pyPdf
pdf = pyPdf.PdfFileReader(open('filename.pdf',"rb"))
for page in pdf.pages:
    print page.extractText()