Eu estou tentando analisar o texto do arquivo PDF usando o pdfMiner, mas o texto extraído é mesclado. Eu estou usando o arquivo pdf do seguinte link.

Ficheiro PDF

Eu sou bom com qualquer tipo de saída (arquivo / string). Aqui está o código que retorna o texto extraído como string para mim, mas por algum motivo, as colunas são mescladas.

from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
import StringIO

def convert_pdf(filename):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec)

    fp = file(filename, 'rb')
    process_pdf(rsrcmgr, device, fp)
    fp.close()
    device.close()

    str = retstr.getvalue()
    retstr.close()
    return str

Eu também tentei o PyPdf2, mas enfrentei o mesmo problema. Aqui está o código de exemplo para PyPDF2

from PyPDF2.pdf import PdfFileReader
import StringIO
import time

def getDataUsingPyPdf2(filename):
    pdf = PdfFileReader(open(filename, "rb"))
    content = ""

    for i in range(0, pdf.getNumPages()):
        print str(i)
        extractedText = pdf.getPage(i).extractText()
        content +=  extractedText + "\n"

    content = " ".join(content.replace("\xa0", " ").strip().split())
    return content.encode("ascii", "ignore")

Eu também tenteipdf2txt.py mas incapaz de obter a saída formatada.