关于运用python读取PDF 文件的知识

最新推荐文章于 2024-08-05 11:15:55 发布

转载最新推荐文章于 2024-08-05 11:15:55 发布 · 507 阅读

python 专栏收录该内容

18 篇文章

订阅专栏

本文详细介绍了使用Python读取PDF文件的方法，包括如何利用pdfminer库解析PDF文档、获取页面内容及文本信息。通过示例代码展示了从打开PDF文件到读取文本的全过程，适合初学者了解Python处理PDF的基本流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

pdf读取总刚要：

（1）

（2）

（3）

代码如下：

#!/usr/bin/env python3
#coding=utf-8

from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams
from pprint import pprint

#获取文档对象
pdf=open(r'C:\Users\pc\Desktop\医疗数据\医疗机构数据\2015年全省各地区每千人口床位、人员、医生、护士数（常住）.pdf','rb',encoding='Unicode')

#创建一个与文档关联的解释器
parser=PDFParser(pdf)

#创建一个PDF文档对象
doc=PDFDocument()

#连接文档对象和文件解释器
parser.set_document(doc)  #存储对象
doc.set_parser(parser)    #请求对象

#文档初始化
doc.initialize('')

#创建PDF资源管理器
resources=PDFResourceManager()

#创建参数分析器
analyparam=LAParams()

#创建一个聚合器，并接受资源管理器，参数分析器作为参数
polymerizer=PDFPageAggregator(resources,laparams=analyparam)

#创建一个页面解释器，将PDF资源管理器和聚合器作为参数
pageInterpreter=PDFPageInterpreter(resources,polymerizer)

#使用文档对象获取页面的集合
for page in doc.get_pages():
    #使用页面解释器读取页面信息
    pageInterpreter.process_page(page)
    #使用聚合器读取页面内容
    layout=polymerizer.get_result()
    for out in layout:
        if hasattr(out,'get_text'):
            pprint(out.get_text)

注：对于python读取pdf文件，要想成功必须pdf文件是一个比较规范的格式，如果是一个不规范的表格形式，就会出现乱码错误，个人觉得python读取pdf文件的准确性，并不是特别高，希望读者多用别的方法尝试。