zoukankan      html  css  js  c++  java
  • python 提取pdf文字

    安装pdfminer 库

    windows 下安装pdfminer3k

    pip install pdfminer3k
    

    Liunx 下安装pdfminer

    pip install pdfminer
    

    代码

    from pdfminer.pdfparser import PDFParser, PDFDocument

    from pdfminer.converter import PDFPageAggregator

    from pdfminer.layout import LAParams, LTTextBoxHorizontal

    from pdfminer.pdfinterp import PDFTextExtractionNotAllowed, PDFResourceManager, PDFPageInterpreter

    def pdfParse(path):
    """
    pdf文字提取
    :param path:文件路径
    :return: 每页结果列表
    """
    fp = open(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
    praser = PDFParser(fp)
    # 创建一个PDF文档
    doc = PDFDocument()
    # 连接分析器 与文档对象
    praser.set_document(doc)
    doc.set_parser(praser)

    # 提供初始化密码
    # 如果没有密码 就创建一个空的字符串
    doc.initialize()
    
    # 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)
        #每页文字内容
        results = []
        # 循环遍历列表,每次处理一个page的内容
        for page in doc.get_pages():  # doc.get_pages() 获取page列表
            interpreter.process_page(page)
            # 接受该页面的LTPage对象
            layout = device.get_result()
            # 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性,
            for x in layout:
                if isinstance(x, LTTextBoxHorizontal):
                    results.append(x.get_text())
        return results
    

    该库是根据 迭代pdf每一页 进行文字提取, 也可以识别判断页码的功能

    另外还有一个pypdf2 库也可以识别但是感觉不如这个准确

  • 相关阅读:
    LRUK算法例子
    php socket编程入门例子
    之前做的一个leetcode的题目记录下(留个纪念)
    php防范时序攻击的办法
    python使用es的例子(记录下)
    mysql随机抽取一定数量的记录
    go module包管理学习笔记
    nginx location匹配规则
    解决go get卡住的问题(转)
    supervisor 学习笔记(转)
  • 原文地址:https://www.cnblogs.com/jokerBi/p/10791828.html
Copyright © 2011-2022 走看看