python实现读取pdf格式文档_python读取pdf

python实现读取pdf格式文档

一、 准备工作

安装对应的库
	pip install pdfminer3k
	pip install pdfminer.six 
1
2
3

二、部分变量的含义

PDFDocument（pdf文档对象）
PDFPageInterpreter（解释器）
PDFParser（pdf文档分析器）
PDFResourceManager（资源管理器）
PDFPageAggregator（聚合器）
LAParams（参数分析器） 
1
2
3
4
5
6

三、PDFMiner类之间的关系

PDFMiner的相关文档(点击跳转)

四、代码实现

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# datetime:2021/3/17 12:12
# software: PyCharm
# version: python 3.9.2

def changePdfToText(filePath):
    """
     解析pdf 文本，保存到同名txt文件中

    param：
        filePath: 需要读取的pdf文档的目录
    introduced module:
        from pdfminer.pdfpage import PDFPage
        from pdfminer.pdfparser import PDFParser
        from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
        from pdfminer.converter import PDFPageAggregator
        from pdfminer.layout import LAParams
        from pdfminer.pdfdocument import PDFDocument, PDFTextExtractionNotAllowed
        import os.path
    """
    file = open(filePath, 'rb')  # 以二进制读模式打开
    # 用文件对象来创建一个pdf文档分析器
    praser = PDFParser(file)
    # 创建一个PDF文档
    doc = PDFDocument(praser, '')  # praser ：上面创建的pdf文档分析器 ，第二个参数是密码，设置为空就好了
    # 连接分析器 与文档对象
    praser.set_document(doc)
    # 检测文档是否提供txt转换，不提供就忽略
    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)
    result = []  # 内容列表
    # 循环遍历列表，每次处理一个page的内容
    for page in PDFPage.create_pages(doc):
        interpreter.process_page(page)
        # 接受该页面的LTPage对象
        layout = device.get_result()
        for x in layout:
            if hasattr(x, "get_text"):
                result.append(x.get_text())
                fileNames = os.path.splitext(filePath)  # 分割
                # 以追加的方式打开文件
                with open(fileNames[0] + '.txt', 'a', encoding="utf-8") as f:
                    results = x.get_text()
                    # print(results)   这个句可以取消注释就可以在控制台将所有内容输出了
                    f.write(results)  # 写入文件

# 调用示例 ：

# path = u'E:\\1.pdf'
# changePdfToText(path)
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