python實現pdf轉word/txt

• 依賴包：pdfminer3k

可以通過pip安裝；也可以到官網https://pypi.python.org/pypi/pdfminer3k下載，解壓，進入文件夾，輸入命令setup.py install安裝軟件。

• 源代碼

#!/usr/bin/python
# -*- coding: utf-8 -*-

import sys
import importlib
importlib.reload(sys)

from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import *
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

'''
解析pdf文件，獲取文件中包含的各種對象
'''

# 解析pdf文件函數
def parse(pdf_path):
    fp = open(pdf_path, 'rb')  # 以二進制讀模式打開
    # 用文件對象來創建一個pdf文檔分析器
    parser = PDFParser(fp)
    # 創建一個PDF文檔
    doc = PDFDocument()
    # 連接分析器 與文檔對象
    parser.set_document(doc)
    doc.set_parser(parser)

    # 提供初始化密碼
    # 如果沒有密碼 就創建一個空的字符串
    doc.initialize()

    # 檢測文檔是否提供txt轉換，不提供就忽略
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 創建PDf 資源管理器 來管理共享資源
        rsrcmgr = PDFResourceManager()
        # 創建一個PDF設備對象
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 創建一個PDF解釋器對象
        interpreter = PDFPageInterpreter(rsrcmgr, device)

        # 用來計數頁面，圖片，曲線，figure，水平文本框等對象的數量
        num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0

        # 循環遍歷列表，每次處理一個page的內容
        for page in doc.get_pages(): # doc.get_pages() 獲取page列表
            num_page += 1  # 頁面增一
            interpreter.process_page(page)
            # 接受該頁面的LTPage對象
            layout = device.get_result()
            for x in layout:
                if isinstance(x,LTImage):  # 圖片對象
                    num_image += 1
                if isinstance(x,LTCurve):  # 曲線對象
                    num_curve += 1
                if isinstance(x,LTFigure):  # figure對象
                    num_figure += 1
                if isinstance(x, LTTextBoxHorizontal):  # 獲取文本內容
                    num_TextBoxHorizontal += 1  # 水平文本框對象增一
                    # 保存文本內容
                    with open(r'test.doc', 'a',encoding='utf-8') as f:    #生成doc文件的文件名及路徑
                        results = x.get_text()
                        f.write(results)
                        f.write('\n')
        print('對象數量：\n','頁面數：%s\n'%num_page,'圖片數：%s\n'%num_image,'曲線數：%s\n'%num_curve,'水平文本框：%s\n'
              %num_TextBoxHorizontal)


if __name__ == '__main__':
    pdf_path = r'test.pdf'  #pdf文件路徑及文件名
    parse(pdf_path)

**此腳本只能將pdf文件轉換成純文本文件，沒有任何格式。