使用Python将带有文本的PDF文件导入CSV文件

Question

我在这里有点受阻。 我被要求使用Python将PDF文件放入CSV文件。 我一直在寻找互联网，并在此地址找到了本指南：

https://www.blog.pythonlibrary.org/2018/05/03/exporting-data-from-pdfs-with-python/

那里写了一个代码，解释了如何将PDF导入到CSV，我在这里放行：

import csv
import os

from miner_text_generator import extract_text_by_page


def export_as_csv(pdf_path, csv_path):
    filename = os.path.splitext(os.path.basename(pdf_path))[0]

    counter = 1
    with open(csv_path, 'w') as csv_file:
        writer = csv.writer(csv_file)
        for page in extract_text_by_page(pdf_path):
        text = page[0:100]
        words = text.split()
        writer.writerow(words)


if __name__ == '__main__':
    pdf_path = 'w9.pdf'
    csv_path = 'w9.csv'
    export_as_csv(pdf_path, csv_path)

现在我的问题是，当我运行它时，它告诉我找不到模块“ miner_text_generator”。 我尝试用pip安装它，但也无法正常工作。 我正在使用Python 3.7

你们对如何解决这个问题有任何想法吗？ 还是有其他方法可以做到这一点？ 我不能使用API​​脚本或基于Web的脚本，它必须保留在我的计算机中。

谢谢你的帮助！

Answer 1

您无法使用pip导入或安装，因为miner_text_generator是帖子作者编写的python代码。 您可以创建.py文件并将其保存在代码的同一文件夹中，然后import将起作用：

# miner_text_generator.py

import io

from pdfminer.converter import TextConverter
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfpage import PDFPage

def extract_text_by_page(pdf_path):
    with open(pdf_path, 'rb') as fh:
        for page in PDFPage.get_pages(fh, 
                                      caching=True,
                                      check_extractable=True):
            resource_manager = PDFResourceManager()
            fake_file_handle = io.StringIO()
            converter = TextConverter(resource_manager, fake_file_handle)
            page_interpreter = PDFPageInterpreter(resource_manager, converter)
            page_interpreter.process_page(page)

            text = fake_file_handle.getvalue()
            yield text

            # close open handles
            converter.close()
            fake_file_handle.close()

def extract_text(pdf_path):
    for page in extract_text_by_page(pdf_path):
        print(page)
        print()

if __name__ == '__main__':
    print(extract_text('w9.pdf'))