pdfminer读取PDF文本内容

最新推荐文章于 2024-10-24 17:21:05 发布

原创最新推荐文章于 2024-10-24 17:21:05 发布 · 1.3k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#pdf #数据库

个人学习记录专栏收录该内容

33 篇文章

订阅专栏

本文介绍了如何使用Python的PDFMiner库从PDF文件中提取文本内容，包括设置解析器、资源管理器、设备和逐页处理的过程。

# -*- coding: utf-8 -*-
# @Time    : 2023/8/1 13:14
# @Author  : Cocktail_py
from io import StringIO

from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser

file_name =r'xx.pdf'
output_string = StringIO()
with open(file_name, 'rb') as in_file:
    parser = PDFParser(in_file)
    doc = PDFDocument(parser)
    rsrcmgr = PDFResourceManager()
    device = TextConverter(rsrcmgr, output_string, laparams=LAParams())
    interpreter = PDFPageInterpreter(rsrcmgr, device)

    for number,page in enumerate(PDFPage.create_pages(doc)):
        interpreter.process_page(page)
        print("**********************************")
        print("{0}页的内容为".format(number+1),output_string.getvalue())
        output_string.truncate(0)
        output_string.seek(0)


# print(output_string.getvalue())