python读取PDF文档

最新推荐文章于 2025-06-06 17:32:40 发布

原创最新推荐文章于 2025-06-06 17:32:40 发布 · 308 阅读

0 ·

CC 4.0 BY-SA版权

python 专栏收录该内容

7 篇文章

订阅专栏

本文介绍了一个使用Python的pdfminer库从PDF文档中提取文本的详细步骤。通过打开PDF文件，创建解析器，初始化文档，设置资源管理器和参数分析器，创建页面聚合器和页面解析器，最终遍历文档的每一页并打印出文本内容。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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


#获取文档对象
fp =open("深入 Python 3 .pdf","rb")

#创建一个与文档关联的解释器
parser = PDFParser(fp)

#PDF文档的对象
doc = PDFDocument()

#链接解释器和文档对象
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)

#创建PDF页面解析器
interpreter=PDFPageInterpreter(resource,device)

#使用文档对象得到的页面的集合
for page in doc.get_pages():
    interpreter.process_page(page)
    layout = device.get_result()

    for out in layout:
        if hasattr(out,'get_text'):
            print(out.get_text())