Есть ли способ извлечь текст из pdf-файла с помощью русского текста (cp1251)?Parsing cp1251 pdf to text in python
Для анализа файлов в формате PDF я использую pdfminer-пакет. Я попытался указать кодировку в аргументе в формате pdfminer.converter.TextConverter, но это не помогло.
Если вы хотите разобрать текст еще раз, извлекая его из файла PDF, вам понадобится python ... Так что просто извлеките текст сначала, не конвертируйте текст и сохраните его в txt-файле.
Вы можете использовать PDF2TXT для этой цели (с unbuntu: http://manpages.ubuntu.com/manpages/precise/man1/pdf2txt.1.html)
Затем вы открываете файл с питоном и преобразованием текста формы cp1251 в UTF-8, принятый здесь ответ покажет вам, как это сделать :
How to convert a string from CP-1251 to UTF-8?
Затем разобрать ...
Благодарим за ответ, но есть ли способ извлечь текст без использования внешних исполняемых файлов, например pdf2txt, просто используя какой-то пакет python? –
pdf2txt - это модуль python, который обертывает файл pdfminer ... – Richard
Я попытался использовать pdftotext из командной строки, но для pdf с русским текстом он не хочет работать должным образом (он извлекает ТОЛЬКО английские слова со специальными символами - оба ASCII). –
Это не ясно, что вы хотите сделать, как только у вас есть текст, вы хотите, чтобы разобрать его с питоном? – Richard
Я хочу извлечь весь текст (который может быть извлечен) из pdf, а затем проанализировать его с помощью пакета nltk. –