PDFをテキストに変換するためにPythonで利用できるモジュールは何ですか？

例

次のように使用できます：

 import sys
from cStringIO import StringIO
 from pdfminer.pdfpage importPDFPage
from pdfminer.pdfinterp importPDFResourceManager, PDFPageInterpreter
from pdfminer.layout importLAParams
from pdfminer.converter importXMLConverter, 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)
 
    # Process each page contained in thedocument.
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        data = retstr.getvalue()
    print data
 pdfparser('filename.pdf')

これはPDFファイルを取り込み、PDFPageInterpreterクラスのprocess_page関数を使用して、ページごとにテキストを抽出します。

テキストの抽出に使用するAPIがはるかに簡単なPDFMinerの代替手段があります。 pyPDFは正常に機能します（整形式のPDFを使用していると仮定します）。テキスト（スペース付き）だけが必要な場合は、次の操作を実行できます。

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