python 读取pdf文本内容

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57

#!/usr/bin/env python3 #-*- coding:utf-8 -*- # pip3 install pdfminer3k    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 + "\n")             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__':     pdf_name = 'test.pdf'     result = 'test.txt'     read_pdf(pdf_name, result)