python读取pdf

最近项目上有个需求，就是把一批用户申请表（pdf文件）的内容，写入数据库。由于文件数量较大，需要批量处理。

本来以为很简单的事情，结果却因为pdf文件内容格式问题导致部分内容读不到：

读出内容：First Name (*) 

具体的，这种pdf文件是一种表格，需要用户自己填入表格中的一些内容，比如用户姓名。

尝试了各种读取pdf的库，包括pdfminer，pdf2docx,pdfplumber, python-docx,pdf2text，都只能读到表格的固定部分的内容，无法读出用户输入的内容。

使用Adobe Acobat Reader自带的转换为文本功能，发现也是一样。

最后看stackoverflow上说可以用tika这个库试下，居然成功：

First Name: Mohammed

demo code:

from tika import parser # pip install tika

raw = parser.from_file('1.pdf')
print(raw['content'])