Я разбираю PDF-документ, используя модуль pdfminer
python. Я просто хочу извлечь текст из этого документа.
Процесс идет отлично, но когда я извлекаю LTText*
объектов, я понимаю, что не получаю весь текст внутри этого LTText*
объекта. Кажется, что у него есть внутренний буфер или что-то в этом роде, из-за чего тексты вырезаются на каждой странице.
Мой код:
...
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)
...
Переменная text_obj никогда не содержит весь текст, даже если этот текст на странице pdf-файла всегда отформатирован одинаково.
Я не думаю, что проблема в коде, потому что я также преобразовал pdf-файл в txt с помощью скрипта pdf2txt.py, и страницы полученного txt-файла также «вырезаны».
Похоже, проблема может быть в конфигурации pdfminer или в моем формате pdf-файла... Я совсем запутался.
Любые идеи?