說(shuō)在前面
和word的文本相比PDF更類似于一張張圖片，圖上放著一個(gè)個(gè)文字。對(duì)其的解析是將圖片上的文字提取到text文件中，方便之后的分析。
添加依賴
在python的環(huán)境中安裝PDFminer3k，不要裝錯(cuò)了，一開(kāi)始我裝的是PDFminer，結(jié)果有幾個(gè)包不能用
pip install pdfminer3k
源程序代碼
#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# pip3 install pdfminer3k
import os
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBoxHorizontal
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter, PDFTextExtractionNotAllowed
from pdfminer.pdfdevice import PDFDevice
def read_pdf(pdf_name, result_name):
# 以二進(jìn)制讀模式打開(kāi)
fp = open(pdf_name, 'rb')
# 用文件對(duì)象來(lái)創(chuàng)建一個(gè)pdf文檔分析器
parser = PDFParser(fp)
# 創(chuàng)建一個(gè)pdf文檔
doc = PDFDocument()
# 連接分析器 與文檔對(duì)象
parser.set_document(doc)
doc.set_parser(parser)
# 提供初始密碼，如果沒(méi)有密碼 就創(chuàng)建一個(gè)空的字符串
doc.initialize('')
# 檢測(cè)文檔是否提供txt轉(zhuǎn)換，不提供就拋出異常
if not doc.is_extractable:
raise PDFTextExtractionNotAllowed
# 創(chuàng)建PDf 資源管理器 來(lái)管理共享資源
rsrcmgr = PDFResourceManager()
# 創(chuàng)建一個(gè)PDF設(shè)備對(duì)象
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
# 創(chuàng)建一個(gè)PDF解釋器對(duì)象
interpreter = PDFPageInterpreter(rsrcmgr, device)
with open(result_name, "w", encoding="u8") as fd_out:
# 循環(huán)遍歷列表，每次處理一個(gè)page的內(nèi)容
for i, page in enumerate(doc.get_pages(), 1):
index = "===========《第{}頁(yè)》===========".format(i)
print(index)
fd_out.write(index + "\n")
interpreter.process_page(page)
# 接受該頁(yè)面的LTPage對(duì)象
layout = device.get_result()
for x in layout:
# 這里layout是一個(gè)LTPage對(duì)象 里面存放著 這個(gè)page解析出的各種對(duì)象 一般包括LTTextBox,
# LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文本就獲得對(duì)象的text屬性
if not isinstance(x, LTTextBoxHorizontal):
continue
results = x.get_text()
print(results)
fd_out.write(results)
if __name__ == '__main__':
# 獲取讀取文件夾
filePath = '../PDFfile'
#遍歷文件夾
for i,j,k in os.walk(filePath):
for m in k:
# 格式化輸出的名稱和地址
result = '../TextFile/' + m[:-4] + '.txt'
# 格式化源文件路徑
fileName = i + '/' + m
# 調(diào)用函數(shù)解析
read_pdf(fileName, result)
參考以下代碼內(nèi)容：python 讀取pdf文本內(nèi)容
#!/usr/bin/env python3
#-*- coding:utf-8 -*-
# pip3 install pdfminer3k
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBoxHorizontal
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter, PDFTextExtractionNotAllowed
from pdfminer.pdfdevice import PDFDevice
def read_pdf(pdf_name, result_name):
# 以二進(jìn)制讀模式打開(kāi)
fp = open(pdf_name, 'rb')
# 用文件對(duì)象來(lái)創(chuàng)建一個(gè)pdf文檔分析器
parser = PDFParser(fp)
# 創(chuàng)建一個(gè)pdf文檔
doc = PDFDocument()
# 連接分析器 與文檔對(duì)象
parser.set_document(doc)
doc.set_parser(parser)
# 提供初始密碼，如果沒(méi)有密碼 就創(chuàng)建一個(gè)空的字符串
doc.initialize('')
# 檢測(cè)文檔是否提供txt轉(zhuǎn)換，不提供就拋出異常
if not doc.is_extractable:
raise PDFTextExtractionNotAllowed
# 創(chuàng)建PDf 資源管理器 來(lái)管理共享資源
rsrcmgr = PDFResourceManager()
# 創(chuàng)建一個(gè)PDF設(shè)備對(duì)象
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
# 創(chuàng)建一個(gè)PDF解釋器對(duì)象
interpreter = PDFPageInterpreter(rsrcmgr, device)
with open(result_name,"w",encoding="u8") as fd_out:
# 循環(huán)遍歷列表，每次處理一個(gè)page的內(nèi)容
for i,page in enumerate(doc.get_pages(),1):
index = "===========《第{}頁(yè)》===========".format(i)
print(index)
fd_out.write(index + "\n")
interpreter.process_page(page)
# 接受該頁(yè)面的LTPage對(duì)象
layout = device.get_result()
for x in layout:
# 這里layout是一個(gè)LTPage對(duì)象 里面存放著 這個(gè)page解析出的各種對(duì)象 一般包括LTTextBox,
# LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文本就獲得對(duì)象的text屬性
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的詳細(xì)內(nèi)容，更多關(guān)于python解析PDF的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- python實(shí)現(xiàn)csdn全部博文下載并轉(zhuǎn)PDF
- Python合并多張圖片成PDF
- Python提取PDF指定內(nèi)容并生成新文件
- 詳解用Python把PDF轉(zhuǎn)為Word方法總結(jié)
- python操作mysql、excel、pdf的示例
- python pdfkit 中文亂碼問(wèn)題的解決方案
- python 三種方法提取pdf中的圖片
- Python實(shí)現(xiàn)給PDF添加水印的方法
- Python讀取pdf表格寫(xiě)入excel的方法
- Python 多張圖片合并成一個(gè)pdf的參考示例
