python：pdfminer接口测试

目录：

• pdfminer简介
• pdfparser

 

---

 

简介

 

 

back to top   to the end

---

 

pdfparser使用介绍

from pdfminer.pdfparser import PDFParser, PDFDocument

　　pdfparser是一个pdf解析器，里面封装了PDFParser, PDFDocument这两个我们常用的类。PDFParser从文件流中获取PDF对象；它可以通过引用set_document方法设置的PDF文档来处理间接引用；它还可读取每个PDF文件的交叉引用（xref），一般可以快速定位。由于PDF文件可能很大，通常不会立即加载。因此，PDF文档必须与PDF解析器协作，以便在处理过程中动态导入数据。

fp = open(path, 'rb')  # 以二进制读模式打开
praser = PDFParser(fp)

　　fp为文件流，这里我们使用open打开，产生一个二进制文件。parser是PDFParser的实例，fp为必传参数。parser可以使用的形式有：

　　Typical usage:

　　　　parser = PDFParser(fp)

　　　　parser.read_xref()

　　　　parser.set_document(doc)

　　　　parser.seek(offset)

　　　　parser.nextobject()

　　实例化之后的分析器：

　　

 

 

# 创建一个PDF文档
doc = PDFDocument()

　　doc是PDFDocument的实例化对象，现在的doc像一张白纸，类默认封装很多方法，其中部分是内部方法，供类内调用，我们可以使用的典型方法有：

　　Typical usage:
　　　　doc = PDFDocument()
　　　　doc.set_parser(parser)
　　　　doc.initialize(password)
　　　　obj = doc.getobj(objid)

# 连接分析器 与文档对象
praser.set_document(doc)
doc.set_parser(praser)

　　将doc赋给praser，就像给一只钢笔配上了笔记本，单向传参是肯定不行的，因为doc本身封装了很多方法，其本身是需要用到praser这只笔的，所以要把praser传给doc。(praser不是拼写错误，而是在代码中进行区分)

　　相互传参绑定之后，两个对象都发生了相应的变化，以parser为例：

　　

 

 　　注意doc上边有一个data的字符串，我们可以发现字符串：%PDF-1.7\n ，这个意思就是当前文本的PDF版本为1.7，PDF文件的具体格式介绍请移步：PDF格式详解。

# 文档初始化解密
# 没有密码 就创建一个空的字符串
doc.initialize()

　　PDF文档很多时候是加密的，为了读取相应内容，需要给电脑赋予权限，这里当然是传入密码了，若文档密码很多，可以实例化一个秘密管理器。

　　导入：from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

if not doc.is_extractable:
    raise PDFTextExtractionNotAllowed

　　判断是否可以将PDF文件转换成txt，不行就直接忽略，你也可以查看是否可以修改或直接print。因为在文档初始化密码时，我们生成了以下属性：

    self.is_printable = bool(P & 4)
    self.is_modifiable = bool(P & 8)
    self.is_extractable = bool(P & 16)

　　额，一般都不行啊，要是那么简单就好了。

 

back to top   to the end

---

 

文档解析

　　先导入其他依赖

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams

　　PDFResourceManager：ResourceManager有助于重用共享资源，如字体和图像，这样大型对象就不会被多次分配。主要是procset、cmap、font。

　　LAParams：封装了常用的参数，用于参数空间的构建。

　　PDFPageAggregator：整合信息进行返回，类似于扫描器中的commander。LAParams实例化的参数主要是传给它，相当于指定指挥官的权限和能力。

　　PDFPageInterpreter：用于创建一个PDF解释器对象，里面封装了很多方法，可以根据需要进行查找。它就相当于那个扫描器。

rsrcmgr = PDFResourceManager()  # 创建资源管理器，负责资源调度，有益于资源共享。
laparams = LAParams()  # 实例化默认参数空间
device = PDFPageAggregator(rsrcmgr, laparams=laparams)  # 创建设备
interpreter = PDFPageInterpreter(rsrcmgr, device)  # 创建解释器

  逐页分析

　　我们可以通过doc.get_pages()获取一个生成器，生成器对应了PDF每一页的数据源与解析器等配置。

interpreter.process_page(pages.__next__())

　　将某页的实例传入进行分析，如何返回？找设备的大脑，device是专门负责相应工作的。

# 接受该页面的LTPage对象
layout = device.get_result()

　　

 

　　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、

    数据提取：

for x in layout:
    if isinstance(x, LTTextBoxHorizontal):
        # 需要写出编码格式
        # 解决\u8457\u5f55\u683c\u5f0f\uff1a\u67cf\u6167乱码
        results = x.get_text().encode('raw_unicode_escape').decode('unicode_escape')
        print('**res:**\n' + results + '-'*20)  # 不同实例对象LTPage的分割

　　输出结果，以Page1为例：

　　

 

 

 

 

---