python pdf页面内容解析

环境依赖

#python 版本3.7 依赖：pdfminer、pdfminer3k 安装：pip install pdfminer pip install pdfminer3k

示例代码

#!/usr/bin/python
 # -*- coding: utf-8 -*-

import sys
import importlib
importlib.reload(sys)

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import *
from pdfminer.converter import PDFPageAggregator
'''
解析pdf文件，获取文件中包含的各种对象
'''
解析pdf文件函数
    def parse(pdf_path):
        fp = open(pdf_path, '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
        parser = PDFParser(fp)
        # 创建一个PDF文档
        doc = PDFDocument(parser)
        # 检测文档是否提供txt转换，不提供就忽略
        if not doc.is_extractable:
            raise PDFTextExtractionNotAllowed
        else:
            # 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)
            # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量
        num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0

        # 循环遍历列表，每次处理一个page的内容
        for page in PDFPage.create_pages(doc):#doc.get_pages():
            #获取page列表
            num_page += 1  # 页面增一
            interpreter.process_page(page)
            # 接受该页面的LTPage对象
            layout = device.get_result()
            for x in layout:
                if isinstance(x,LTImage):  # 图片对象
                    num_image += 1
                if isinstance(x,LTCurve):  # 曲线对象
                    num_curve += 1
                if isinstance(x,LTFigure):  # figure对象插入的图片
                    num_figure += 1
                if isinstance(x, LTTextBoxHorizontal):  # 获取文本内容
                    num_TextBoxHorizontal += 1  # 水平文本框对象增一
                    # 保存文本内容逐页保存
                    with open(str(num_page)+'test.txt', 'a',encoding='utf-8') as f:
                        results = x.get_text()
                        f.write(results + '\n')
        print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'fig数：%s\n'%num_figure,'曲线数：%s\n'%num_curve,'水平文本框：%s\n'
              %num_TextBoxHorizontal)

if __name__ == '__main__':
    pdf_path = r'./333.pdf'
    parse(pdf_path)

常见问题

• 1.出现编码问题 因为在windows操作系统默认的编码为gbk，在存入数据时可以设置编码方式 如： open(str(num_page)+'test.txt', 'a',encoding='utf-8')
• 2.查看模块内的方法和类等 有时候需要使用某个模块中的方法，但是不知道它具有哪些方法，我们可以采用python命名行下 help(moduls_name)