前言
pdf文件尽管可以用python提取文本,但存在加密的情况,那种pdf就是解析不了的。另外pdf更类似于图片,所以即使可以用python提取,结果也容易有问题。所以效果不敢保证。
依赖
在python3中解析pdf一般用pdfminer3k,就是pdfminer的python3版本。直接pip安装即可
pip install pdfminer3k
代码示例
# -*- encoding:utf-8 -*-
import importlib
import sys
import time
# 提取表格 https://www.fatalerrors.org/a/0t991w.html
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,LTLayoutContainer,LTTextBox
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
def parse(pdf_path,txt_path):
'''解析PDF文本,并保存到TXT文件中'''
fp = open(pdf_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)
#加密的pdf这里需要传入password
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
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,
for x in layout:
# if isinstance(x, LTTextBox): # 这样提取的表格会变成多行
# with open(txt_path,'a') as f:
# results = x.get_text()
# print(results)
# f.write(x.get_text().strip())
if(isinstance(x,LTTextBoxHorizontal)): # 这样的表格只有一行
with open(txt_path,'a') as f:
results = x.get_text()
print(results)
f.write(results +"\n")
if __name__ == '__main__':
pdf_path = r'C:\Users\31214\Documents\2.pdf'
txt_path = 'test.txt'
parse(pdf_path,txt_path)
time2 = time.time()
print("总共消耗时间为:",time2-time1)