PDF分析文本（1）利用python对PDF的读取

最新推荐文章于 2025-05-25 23:40:19 发布

原创

最新推荐文章于 2025-05-25 23:40:19 发布 · 1.5k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#PDF

本文介绍了利用Python的PDFMINER3K库读取PDF内容的方法，包括PDF转HTML、转TXT以及直接读取的思路，重点讲述了直接读取PDF内容的方式，并提供了一段已调试通过的代码示例，适用于在线和离线PDF读取，有助于后续的PDF数据结构化处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1，安装第三方库文件-PDFMINER3K。

安装方式：

pip install pdfminer3k

2，中文参考文档：

中文参考文档

3，数据获取思路：

（1）通过PDF转html，再利用爬虫技术解决，目前来说这方面的技术比较成熟，而且参考很多。

（2）通过PDF转为txt格式，再通过字符提取的方式处理。这样的方式容易理解。

（3）根据PDF读取方式，采用直接读取PDF内容，通过内存管理的方式，实现内部调用读取的数据。

为了保证后续的技术使用方便性，这里采用第三种方式进行处理。

4，读取PDF


from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
from io import open
import re


def readPDF(pdfFile):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, laparams=laparams)

    process_pdf(rsrcmgr, device, pdfFile)
    device.close()

    content = retstr.getvalue()
    retstr.close()
    return content


def main(pdf='sdge_bill.pdf'):
    with open(pdf, "rb") as