python读取pdf文档

最新推荐文章于 2025-06-06 17:32:40 发布

reblue520

最新推荐文章于 2025-06-06 17:32:40 发布

阅读量595

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/reblue520/article/details/97068845

本文介绍如何使用Python读取网络上的TXT文件及本地PDF文档的内容。通过requests库获取Wikipedia的robots.txt文件，并利用pdfminer库解析并提取PDF文件中的文本信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

python读取txt

# coding=utf-8

import requests
# 爬虫规则
url = "https://en.wikipedia.org/robots.txt"
# 读取网络资源
res = requests.get(url).text
# 打印
print(res)

读取pdf

# coding=utf-8

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
import requests

# pip install pdfminer3k

# 获取文档对象，示例pdf在 https://pypi.org/project/pdfminer3k/1.0.1/#files  下载后的文件夹中 pdfminer3k-master\samples\nonfree
fp = open("naacl06-shinyama.pdf", "rb")

# print(type(fp))

# 创建一个与文档关联的解释器
parser = PDFParser(fp)

# PDF 文档的对象
doc = PDFDocument()

# 连接解释器与文档对象
parser.set_document(doc)
doc.set_parser(parser)

# 初始化文档
doc.initialize("")

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

# 参数分析器
laparam = LAParams()

# 创建一个聚合器
device = PDFPageAggregator(resource, laparams = laparam)

# 页面解释器
interpreter = PDFPageInterpreter(resource, device)

# 使用文档对象得到页面的集合
for page in doc.get_pages():
    # 使用页面解释器来读取
    interpreter.process_page(page)

    # 使用聚合器获得内容
    layout = device.get_result()

    for out in layout:

        if hasattr(out, "get_text"):
            print(out.get_text())