PDFMiner不解析超过1个pag

Question

我在python3.5中使用PDFMiner6。它远比PyPDF2好得多（速度慢，但更准确，不会吐出一堆没有空格隔开的字母）。我试着分析这个文件：

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2963791/ （您可以从NIH网站免费下载PDF文件）。在

我使用了这个代码（它是一个更大的spider的一部分，但其余代码与此问题无关）：

import io
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage

class PDFMiner6(object):
    def __init__(self):
        pass

    def PdfFileReader(self, fp):
        text = []
        rsrcmgr = PDFResourceManager()
        retstr = io.StringIO()
        codec = 'utf-8'
        laparams = LAParams()
        device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
        interpreter = PDFPageInterpreter(rsrcmgr, device)
        password = ""
        maxpages = 0
        caching = True
        pagenos = set()

        for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password, caching=caching, check_extractable=True): 
            interpreter.process_page(page)
            output = retstr.getvalue()
            text.append(output)

        fp.close()
        device.close()
        retstr.close()
        return text

它完美地解析第一页，然后停止。文档的其余部分不会被解析。在

我使用PyPDF2测试了同一个文档，它解析整个文档，但是输出的垃圾没有任何空格（因此我切换到PDFMiner6）。所以我确信不是整个文档没有被读取，而是解析它的代码出了问题。怎么了？在

编辑：我继续在不同的PDF文件上测试了它，结果各不相同——它会完全解析某些文件，而另一些文件则会在第一页停止。这是令人沮丧的，因为PDFMiner6是比PyPDF2更好的解析器。在

有人能帮忙吗？在

Answer 1

确保pdf是由pdf查看器而不是web浏览器打开的。我也有同样的问题，我就是这样解决的。在

看起来pdfminer将以一个页面的形式查看由web浏览器打开的pdf。因此，您需要确保它是由pdf查看器打开的，这样pdfminer才能识别出pdf中有超过1个页面。在