python读取pdf格式文档的实现代码

python读取pdf文档

一、 准备工作

安装对应的库
pip install pdfminer3k
pip install pdfminer.six

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）

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)

利用PyPDF2实现了对pdf文字内容的提取

from PyPDF2 import PdfFileReader

# 定义获取pdf内容的方法
def getPdfContent(filename):
 # 获取PdfFileReader对象
 pdf = PdfFileReader(open(filename, "rb"))
 content = "" #content是输出文本
 for i in range(0,pdf.getNumPages()): #遍历每一页
   pageObj = pdf.getPage(i)
   try:
     extractedText = pageObj.extractText()#导出每一页的内容，如果当前页有图片的话就跳过
     content += extractedText + "\n"
   except BaseException:
     pass
 return content.encode("ascii", "ignore")

# 将获取的内容写入txt文件
with open("test.txt","w") as f:
 count=0 #count的作用是限制每一行的文字个数，本人设置的是十行
 #将获取的文本变成字符串并用空白隔开
 for item in str(getPdfContent("test.pdf")).split(" "):
   # 如果当前文字以句号结尾就换行
   if item[-1]==".":
     f.write(item+"\n")
     count=0
   else:
     f.write(item+" ")
     count +=1
   # 如果写了十个字就换行
   if count==10:
     f.write("\n")
     # 重置count
     count = 0

总结

来源：https://blog.csdn.net/snqfyyzs/article/details/115356431