我最近也遇到了类似的问题，尽管我的pdf格式结构稍微简单一些。
PDFMiner使用称为“devices”的类来解析pdf文件中的页面。基本的设备类是PDFPageAggregator类，它只解析文件中的文本框。转换器类，例如TextConverter、XMLConverter和HTMLDonverter也会将结果输出到文件中（或者像您的示例中那样输出到字符串流中），并对内容进行更精细的解析。
文本转换器的问题（和PDFPageAggregator）的问题在于，它们没有递归到文档结构的足够深度，无法正确地提取不同的列。另外两个转换器需要一些关于文档结构的信息以用于显示目的，因此它们收集更详细的数据。在示例pdf中，这两个过于简单的设备都只解析（大致）包含列的整个文本框，这使得不可能（或至少非常困难）正确地分隔不同行。我发现这个问题的解决方案相当有效，要么

• 创建从PDFPageAggregator继承的新类，或者
• 使用XMLConverter并使用Beautifulsoup等解析生成的XML文档

在这两种情况下，您都必须使用边界框的y坐标将不同的文本段组合到行中。
如果是一个新的设备类（我认为这更有说服力），你必须重写方法receive_layout，get在渲染过程中为每个页面调用该方法，然后该方法递归地解析每个页面中的元素，例如，类似下面的内容可能会让你开始：

from pdfminer.pdfdocument import PDFDocument, PDFNoOutlines
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTPage, LTChar, LTAnno, LAParams, LTTextBox, LTTextLine

class PDFPageDetailedAggregator(PDFPageAggregator):
    def __init__(self, rsrcmgr, pageno=1, laparams=None):
        PDFPageAggregator.__init__(self, rsrcmgr, pageno=pageno, laparams=laparams)
        self.rows = []
        self.page_number = 0
    def receive_layout(self, ltpage):        
        def render(item, page_number):
            if isinstance(item, LTPage) or isinstance(item, LTTextBox):
                for child in item:
                    render(child, page_number)
            elif isinstance(item, LTTextLine):
                child_str = ''
                for child in item:
                    if isinstance(child, (LTChar, LTAnno)):
                        child_str += child.get_text()
                child_str = ' '.join(child_str.split()).strip()
                if child_str:
                    row = (page_number, item.bbox[0], item.bbox[1], item.bbox[2], item.bbox[3], child_str) # bbox == (x1, y1, x2, y2)
                    self.rows.append(row)
                for child in item:
                    render(child, page_number)
            return
        render(ltpage, self.page_number)
        self.page_number += 1
        self.rows = sorted(self.rows, key = lambda x: (x[0], -x[2]))
        self.result = ltpage

在上面的代码中，每个找到的LTTextLine元素都存储在一个有序的元组列表中，该元组包含页码、边界框的坐标以及该元素中包含的文本。

from pprint import pprint
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams

fp = open('pdf_doc.pdf', 'rb')
parser = PDFParser(fp)
doc = PDFDocument(parser)
doc.initialize('password') # leave empty for no password

rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageDetailedAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)

for page in PDFPage.create_pages(doc):
    interpreter.process_page(page)
    # receive the LTPage object for this page
    device.get_result()

pprint(device.rows)

变量device.rows包含排序列表，其中所有文本行都使用页码和y坐标排列。您可以循环文本行，并使用相同的y坐标对行进行分组，以形成行，存储列数据等。
我试着用上面的代码解析你的pdf，大部分列都解析正确。但是，有些列太靠近了，默认的PDFMiner启发式无法将它们分离成自己的元素。你可以通过调整单词边距参数（命令行工具www.example.com中的-W标志）来解决这个pdf2text.py问题。无论如何，您可能需要通读PDFMiner API（文档很差），并浏览PDFMiner的源代码，您可以从github获得它。（唉，我不能粘贴链接，因为我没有足够的rep点数：'〈，但您可以希望谷歌正确的repo）

我尝试了你的第一个代码块，得到了一堆结果，看起来像这样：
多用途住宅花园综合大楼14945010314370至372威洛道西多用途住宅花园综合大楼14945010314380至384威洛道西多用途住宅花园综合大楼149450103141000至1020威洛布鲁克多用途住宅住宅
我猜你和这个answer的位置差不多，所有的空格都是用来把单词放在合适的位置，而不是作为实际的可打印空格字符。事实上，你已经尝试过其他pdf库，这让我认为这可能是一个任何pdf库都难以解析的问题。

@hlindblo提供的解决方案给出了很好的结果。为了进一步按页面和段落对提取的文本块进行分组，下面是我使用的简单命令。

from collections import OrderedDict
grouped_text = OrderedDict()
for p in range(1000): # max page nb is 1000
    grouped_text[p] = {}
for (page_nb, x_min, y_min, x_max, y_max, text) in device.rows:
    x_min = round(x_min)//10 # manipulate the level of aggregation --> x_min might be slitghly different
    try:
        grouped_text[page_nb][x_min]+= " " + text
    except:
        grouped_text[page_nb][x_min] = text