zoukankan      html  css  js  c++  java
  • python解析PDF

    说在前面

    和word的文本相比PDF更类似于一张张图片,图上放着一个个文字。对其的解析是将图片上的文字提取到text文件中,方便之后的分析。

    添加依赖

    在python的环境中安装PDFminer3k,不要装错了,一开始我装的是PDFminer,结果有几个包不能用
    pip install pdfminer3k

    源程序代码

    #!/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):
        # 以二进制读模式打开
        fp = open(pdf_name, 'rb')
        # 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()
        # 连接分析器 与文档对象
        parser.set_document(doc)
        doc.set_parser(parser)
        # 提供初始密码,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,不提供就抛出异常
        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)
    
        with open(result_name, "w", encoding="u8") as fd_out:
            # 循环遍历列表,每次处理一个page的内容
            for i, page in enumerate(doc.get_pages(), 1):
                index = "===========《第{}页》===========".format(i)
                print(index)
                fd_out.write(index + "
    ")
                interpreter.process_page(page)
                # 接受该页面的LTPage对象
                layout = device.get_result()
                for x in layout:
                    # 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
                    if not isinstance(x, LTTextBoxHorizontal):
                        continue
                    results = x.get_text()
                    print(results)
                    fd_out.write(results)
    
    
    if __name__ == '__main__':
    
        # 获取读取文件夹
        filePath = '../PDFfile'
        #遍历文件夹
        for i,j,k in os.walk(filePath):
            for m in k:
                # 格式化输出的名称和地址
                result = '../TextFile/' + m[:-4] + '.txt'
                # 格式化源文件路径
                fileName = i + '/' + m
                # 调用函数解析
                read_pdf(fileName, result)
    

    参考博客

    https://www.cnblogs.com/boye169/p/13861753.html

  • 相关阅读:
    IT职场求生法则
    设计模式六大原则
    非win7系统访问win7系统发布的网站
    C#自定义导出Excel
    js操作table元素,表格的行列新增、删除汇集
    一个真正合格的程序员应该具备的素质
    项目心得
    项目心得1
    Spring boot 使用profile完成不同环境的maven打包功能
    关于std容器类的内存使用
  • 原文地址:https://www.cnblogs.com/suanai/p/14902360.html
Copyright © 2011-2022 走看看