- 依賴包:pdfminer3k
- 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。