同盾PDF解析

import pyocr
import importlib
import sys
import time

importlib.reload(sys)
time1 = time.time()

import os.path
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

# text_path = r'C:\Users\nick\Desktop\测试1.pdf'
text_path = r'C:\Users\nick\Desktop\测试2.pdf'

def parse():
'''解析PDF文本，并保存到TXT文件中，实际代码已经修改，未保存'''
fp = open(text_path, 'rb')
# 用文件对象创建一个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page列表
number_results_list = []
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, LTTextBoxHorizontal 等等
# 想要获取文本就获得对象的text属性，
# print(layout)
for x in layout:
if (isinstance(x, LTTextBoxHorizontal)):
# results是每一行数据
results= x.get_text()
# print(results)
# 如果总个数出现在该行，将该行消除全部空格，消除字符串‘总个数：’，截取number_str
if "总个数" in results:
number_str=results.replace(' ','').replace('总个数：','').replace('\n','')
# print(number_str)
number_results_list.append(int(number_str))
return number_results_list

# 从列表中提取最终结果
def result(number_results_list):
if number_results_list :
number_results_list.sort()
result=number_results_list[-1]
else:
result=0
return result

if __name__ == '__main__':
number_results_list = parse()
result = result(number_results_list)
print('最终结果：', result)

 

# 更改第16行的text_path路径，对不同文件进行测试
# 返回number_results_list,如果列表为空，则客户多头0，否则是result