最近要做個從 pdf 文件中抽取文本內(nèi)容的工具，大概查了一下 python 里可以使用 pdfminer 來實現(xiàn)。下面就看看怎樣使用吧。
PDFMiner是一個可以從PDF文檔中提取信息的工具。與其他PDF相關的工具不同，它注重的完全是獲取和分析文本數(shù)據(jù)。PDFMiner允許你獲取某一頁中文本的準確位置和一些諸如字體、行數(shù)的信息。它包括一個PDF轉換器，可以把PDF文件轉換成HTML等格式。它還有一個擴展的PDF解析器，可以用于除文本分析以外的其他用途。

PDFMiner內(nèi)置兩個好用的工具：pdf2txt.py和dumppdf.py

pdf2txt.py從PDF文件中提取所有文本內(nèi)容。但不能識別畫成圖片的文本，這需要特征識別。對于加密的PDF你需要提供一個密碼才能解析，對于沒有提取權限的PDF文檔你得不到任何文本。

dumppdf.py把PDF文件內(nèi)容變成pseudo-XML格式。這個程序主要用于debug，但是它也可能用于提取一些有意義的內(nèi)容（比如圖片）。

官方主頁：https://euske.github.io/pdfminer/

其特征有：1、完全使用python編寫。（適用于2.4或更新版本）2、解析，分析，并轉換成PDF文檔。3、PDF-1.7規(guī)范的支持。（幾乎）4、中日韓語言和垂直書寫腳本支持。5、各種字體類型（Type1、TrueType、Type3，和CID）的支持。6、基本加密（RC4）的支持。7、PDF與HTML轉換。8、綱要（TOC）的提取。9、標簽內(nèi)容提取。10、通過分組文本塊重建原始的布局。
如果你的Python有安裝pip模塊，就可以通過命令“python pip install pdfminer”，自動安裝pdfminer。

解析pdf文件用到的類：

• PDFParser：從一個文件中獲取數(shù)據(jù)
• PDFDocument：保存獲取的數(shù)據(jù)，和PDFParser是相互關聯(lián)的
• PDFPageInterpreter處理頁面內(nèi)容
• PDFDevice將其翻譯成你需要的格式
• PDFResourceManager用于存儲共享資源，如字體或圖像。

python的工具，安裝當然是使用pip安裝了。

pip install pdfminer

命令行方式

為了使用方便，pdfminer 提供了一個命令行工具來直接轉換pdf文件，使用方法如下：

pdf2txt.py <path_to_pdf_file>

編程方式

除了命令行方式以外，對于復雜應用場景，pdfminer 也提供了以編程方式來轉換 pdf 文件，主要使用下面幾個類來實現(xiàn)：

• PDFParser： 用來解析pdf文件。
• PDFDocument：用來保存 PDFParser 解析后的對象。
• PDFPageInterpreter：用來處理解析后的文檔頁面內(nèi)容。
• PDFResourceManager：pdf 共享資源管理器,用于存儲共享資源，如字體或圖像。

下面看一個例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage, PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams
import StringIO


class PDFUtils():

  def __init__(self):
    pass

  def pdf2txt(self, path):
    output = StringIO.StringIO()
    with open(path, 'rb') as f:
      praser = PDFParser(f)

      doc = PDFDocument(praser)

      if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed

      pdfrm = PDFResourceManager()

      laparams = LAParams()

      device = PDFPageAggregator(pdfrm, laparams=laparams)

      interpreter = PDFPageInterpreter(pdfrm, device)

      for page in PDFPage.create_pages(doc):
        interpreter.process_page(page)
        layout = device.get_result()
        for x in layout:
          if hasattr(x, "get_text"):
            content = x.get_text()
            output.write(content)

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


if __name__ == '__main__':
  path = u'/tmp/abc.pdf'
  pdf_utils = PDFUtils()
  print pdf_utils.pdf2txt(path)

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論