说在前面
和word的文本相比pdf更类似于一张张图片，图上放着一个个文字。对其的解析是将图片上的文字提取到text文件中，方便之后的分析。
添加依赖
在python的环境中安装pdfminer3k，不要装错了，一开始我装的是pdfminer，结果有几个包不能用
pip install pdfminer3k
源程序代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
|
#!/usr/bin/env python3# -*- coding:utf-8 -*-# pip3 install pdfminer3kimport osfrom pdfminer.converter import pdfpageaggregatorfrom pdfminer.layout import laparams, lttextboxhorizontalfrom pdfminer.pdfparser import pdfparser, pdfdocumentfrom pdfminer.pdfinterp import pdfresourcemanager, pdfpageinterpreter, pdftextextractionnotallowedfrom pdfminer.pdfdevice import pdfdevicedef read_pdf(pdf_name, result_name): # 以二进制读模式打开 fp = open(pdf_name, 'rb') # 用文件对象来创建一个pdf文档分析器 parser = pdfparser(fp) # 创建一个pdf文档 doc = pdfdocument() # 连接分析器 与文档对象 parser.set_document(doc) doc.set_parser(parser) # 提供初始密码，如果没有密码 就创建一个空的字符串 doc.initialize('') # 检测文档是否提供txt转换，不提供就抛出异常 if not doc.is_extractable: raise pdftextextractionnotallowed # 创建pdf 资源管理器 来管理共享资源 rsrcmgr = pdfresourcemanager() # 创建一个pdf设备对象 laparams = laparams() device = pdfpageaggregator(rsrcmgr, laparams=laparams) # 创建一个pdf解释器对象 interpreter = pdfpageinterpreter(rsrcmgr, device) with open(result_name, "w", encoding="u8") as fd_out: # 循环遍历列表，每次处理一个page的内容 for i, page in enumerate(doc.get_pages(), 1): index = "===========《第{}页》===========".format(i) print(index) fd_out.write(index + "\n") interpreter.process_page(page) # 接受该页面的ltpage对象 layout = device.get_result() for x in layout: # 这里layout是一个ltpage对象 里面存放着 这个page解析出的各种对象 一般包括lttextbox, # ltfigure, ltimage, lttextboxhorizontal 等等 想要获取文本就获得对象的text属性 if not isinstance(x, lttextboxhorizontal): continue results = x.get_text() print(results) fd_out.write(results)if __name__ == '__main__': # 获取读取文件夹 filepath = '../pdffile' #遍历文件夹 for i,j,k in os.walk(filepath): for m in k: # 格式化输出的名称和地址 result = '../textfile/' + m[:-4] + '.txt' # 格式化源文件路径 filename = i + '/' + m # 调用函数解析 read_pdf(filename, result) |
参考以下代码内容：python 读取pdf文本内容
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
#!/usr/bin/env python3#-*- coding:utf-8 -*-# pip3 install pdfminer3k from pdfminer.converter import pdfpageaggregatorfrom pdfminer.layout import laparams, lttextboxhorizontalfrom pdfminer.pdfparser import pdfparser, pdfdocumentfrom pdfminer.pdfinterp import pdfresourcemanager, pdfpageinterpreter, pdftextextractionnotallowedfrom pdfminer.pdfdevice import pdfdevice def read_pdf(pdf_name, result_name): # 以二进制读模式打开 fp = open(pdf_name, 'rb') # 用文件对象来创建一个pdf文档分析器 parser = pdfparser(fp) # 创建一个pdf文档 doc = pdfdocument() # 连接分析器 与文档对象 parser.set_document(doc) doc.set_parser(parser) # 提供初始密码，如果没有密码 就创建一个空的字符串 doc.initialize('') # 检测文档是否提供txt转换，不提供就抛出异常 if not doc.is_extractable: raise pdftextextractionnotallowed # 创建pdf 资源管理器 来管理共享资源 rsrcmgr = pdfresourcemanager() # 创建一个pdf设备对象 laparams = laparams() device = pdfpageaggregator(rsrcmgr, laparams=laparams) # 创建一个pdf解释器对象 interpreter = pdfpageinterpreter(rsrcmgr, device) with open(result_name,"w",encoding="u8") as fd_out: # 循环遍历列表，每次处理一个page的内容 for i,page in enumerate(doc.get_pages(),1): index = "===========《第{}页》===========".format(i) print(index) fd_out.write(index + "\n") interpreter.process_page(page) # 接受该页面的ltpage对象 layout = device.get_result() for x in layout: # 这里layout是一个ltpage对象 里面存放着 这个page解析出的各种对象 一般包括lttextbox, # ltfigure, ltimage, lttextboxhorizontal 等等 想要获取文本就获得对象的text属性 if not isinstance(x, lttextboxhorizontal): continue results = x.get_text() print(results) fd_out.write(results) if __name__ == '__main__': pdf_name = 'test.pdf' result = 'test.txt' read_pdf(pdf_name, result) |
以上就是python解析pdf的详细内容，更多关于python解析pdf的资料请关注服务器之家其它相关文章！
原文链接：https://www.cnblogs.com/suanai/p/14902360.html
