python使用pdfminer解析pdf文件的方法示例
作者:kongxx 时间:2023-07-31 00:36:47
最近要做个从 pdf 文件中抽取文本内容的工具,大概查了一下 python 里可以使用 pdfminer 来实现。下面就看看怎样使用吧。
PDFMiner是一个可以从PDF文档中提取信息的工具。与其他PDF相关的工具不同,它注重的完全是获取和分析文本数据。PDFMiner允许你获取某一页中文本的准确位置和一些诸如字体、行数的信息。它包括一个PDF转换器,可以把PDF文件转换成HTML等格式。它还有一个扩展的PDF解析器,可以用于除文本分析以外的其他用途。
PDFMiner内置两个好用的工具:pdf2txt.py和dumppdf.py
pdf2txt.py从PDF文件中提取所有文本内容。但不能识别画成图片的文本,这需要特征识别。对于加密的PDF你需要提供一个密码才能解析,对于没有提取权限的PDF文档你得不到任何文本。
dumppdf.py把PDF文件内容变成pseudo-XML格式。这个程序主要用于debug,但是它也可能用于提取一些有意义的内容(比如图片)。
官方主页:https://euske.github.io/pdfminer/
其特征有:1、完全使用python编写。(适用于2.4或更新版本)2、解析,分析,并转换成PDF文档。3、PDF-1.7规范的支持。(几乎)4、中日韩语言和垂直书写脚本支持。5、各种字体类型(Type1、TrueType、Type3,和CID)的支持。6、基本加密(RC4)的支持。7、PDF与HTML转换。8、纲要(TOC)的提取。9、标签内容提取。10、通过分组文本块重建原始的布局。
如果你的Python有安装pip模块,就可以通过命令“python pip install pdfminer”,自动安装pdfminer。
解析pdf文件用到的类:
PDFParser:从一个文件中获取数据
PDFDocument:保存获取的数据,和PDFParser是相互关联的
PDFPageInterpreter处理页面内容
PDFDevice将其翻译成你需要的格式
PDFResourceManager用于存储共享资源,如字体或图像。
python的工具,安装当然是使用pip安装了。
pip install pdfminer
命令行方式
为了使用方便,pdfminer 提供了一个命令行工具来直接转换pdf文件,使用方法如下:
pdf2txt.py <path_to_pdf_file>
编程方式
除了命令行方式以外,对于复杂应用场景,pdfminer 也提供了以编程方式来转换 pdf 文件,主要使用下面几个类来实现:
PDFParser: 用来解析pdf文件。
PDFDocument:用来保存 PDFParser 解析后的对象。
PDFPageInterpreter:用来处理解析后的文档页面内容。
PDFResourceManager:pdf 共享资源管理器,用于存储共享资源,如字体或图像。
下面看一个例子:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage, PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams
import StringIO
class PDFUtils():
def __init__(self):
pass
def pdf2txt(self, path):
output = StringIO.StringIO()
with open(path, 'rb') as f:
praser = PDFParser(f)
doc = PDFDocument(praser)
if not doc.is_extractable:
raise PDFTextExtractionNotAllowed
pdfrm = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(pdfrm, laparams=laparams)
interpreter = PDFPageInterpreter(pdfrm, device)
for page in PDFPage.create_pages(doc):
interpreter.process_page(page)
layout = device.get_result()
for x in layout:
if hasattr(x, "get_text"):
content = x.get_text()
output.write(content)
content = output.getvalue()
output.close()
return content
if __name__ == '__main__':
path = u'/tmp/abc.pdf'
pdf_utils = PDFUtils()
print pdf_utils.pdf2txt(path)
来源:https://blog.csdn.net/kongxx/article/details/85107847
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
python黑魔法之编码转换
Python unittest装饰器实现原理及代码
5分钟快速掌握JS中var、let和const的异同
JS中ESModule和commonjs介绍及使用区别
python解释模型库Shap实现机器学习模型输出可视化
![](https://img.aspxhome.com/file/2023/8/78518_0s.png)
python用WxPython库实现无边框窗体和透明窗体实现方法详解
python3实现微型的web服务器
python解决js文件utf-8编码乱码问题(推荐)
基于Python matplotlib库绘制箱线图
![](https://img.aspxhome.com/file/2023/4/109444_0s.png)
实例操作MySQL短链接
![](https://img.aspxhome.com/file/2023/2/121242_0s.jpg)
Python入门教程(二十六)Python的模块
python实现LRU热点缓存及原理
利用Pytorch实现ResNet网络构建及模型训练
6个卓越Web设计细节
![](https://img.aspxhome.com/file/UploadPic/20103/29/01-23s.jpg)
Python爬虫基础之XPath语法与lxml库的用法详解
![](https://img.aspxhome.com/file/2023/3/90893_0s.png)
ASP 快速执行网页
Python scikit-learn 做线性回归的示例代码
![](https://img.aspxhome.com/file/2023/1/97661_0s.png)
Python使用future处理并发问题方案详解
详解Golang如何实现支持随机删除元素的堆
![](https://img.aspxhome.com/file/2023/4/109754_0s.png)
flask中的wtforms使用方法
![](https://img.aspxhome.com/file/2023/3/114593_0s.png)