PDF文件转换为TXT文件

PDF文件转换为TXT文件

import sys
import importlib
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
import glob
import re

importlib.reload(sys)


def get_file_name(path_string):
    """获取文件名称"""
    pattern = re.compile(r'([^<>/\\\|:""\*\?]+)\.\w+$')
    data = pattern.findall(path_string)
    if data:
        return data[0]


def parse(text_path):
    """解析PDF文本，并保存到TXT文件中"""
    pdfname = get_file_name(text_path)
    fp = open(text_path, 'rb')  # 'rb'表示解读为二进制数据
    # 用文件对象创建一个PDF文档分析器
    parer = PDFParser(fp)
    # 创建一个PDF文档
    doc = PDFDocument()
    # 连接分析器，与文档对象--也就说内容与载体连接
    parer.set_document(doc)
    doc.set_parser(parer)

    # 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格式转化，不提供就忽略
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 创建PDF，资源管理器，来共享资源
        rsrcmgr = PDFResourceManager()
        # 创建一个PDF设备对象
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 创建一个PDF解释其对象
        interpreter = PDFPageInterpreter(rsrcmgr, device)

        # 循环遍历列表，每次处理一个page内容
        # doc.get_pages() 获取pages列表
        for page in doc.get_pages():
            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,LTTextHorizontal等等
            # 想要获得文本就获得对象的text属性
            for x in layout:
                if (isinstance(x, LTTextBoxHorizontal)):
                    with open(r"../paperchangtxt1/"+pdfname+".txt", 'a', encoding='utf-8') as f:
                        results = x.get_text()
                        # return results
                        f.write(results + '\n')


if __name__ == '__main__':
    pdf_path = r'C:\Users\黄某人\Desktop\ICCV2019'
    pdfs = glob.glob("{}/*.pdf".format(pdf_path))
    list = []
    for pdf in pdfs:
        # parse(pdf_path)
        print(pdf)
        try:
            parse(pdf)
        except:
            list.append(pdf)
    with open(r"../log/list_url.txt", 'a', encoding='utf-8') as f:
        # return results
        sep = ';'
        f.write(sep.join(list))