python3 将pdf文件转为text

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)