快捷導(dǎo)航

python讀取pdf格式文檔的實(shí)現(xiàn)代碼

更新時(shí)間：2021年04月01日 16:14:47 作者：十年如夢(mèng)>

這篇文章主要給大家介紹了關(guān)于python讀取pdf格式文檔的相關(guān)資料，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

python讀取pdf文檔

一、準(zhǔn)備工作

安裝對(duì)應(yīng)的庫(kù)
	pip install pdfminer3k
	pip install pdfminer.six

二、部分變量的含義

PDFDocument（pdf文檔對(duì)象）
PDFPageInterpreter（解釋器）
PDFParser（pdf文檔分析器）
PDFResourceManager（資源管理器）
PDFPageAggregator（聚合器）
LAParams（參數(shù)分析器）

三、PDFMiner類(lèi)之間的關(guān)系

PDFMiner的相關(guān)文檔(點(diǎn)擊跳轉(zhuǎn))

四、代碼實(shí)現(xiàn)

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# datetime:2021/3/17 12:12
# software: PyCharm
# version: python 3.9.2

def changePdfToText(filePath):
 """
 解析pdf 文本，保存到同名txt文件中

 param：
 filePath: 需要讀取的pdf文檔的目錄
 introduced module:
 from pdfminer.pdfpage import PDFPage
 from pdfminer.pdfparser import PDFParser
 from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
 from pdfminer.converter import PDFPageAggregator
 from pdfminer.layout import LAParams
 from pdfminer.pdfdocument import PDFDocument, PDFTextExtractionNotAllowed
 import os.path
 """
 file = open(filePath, 'rb') # 以二進(jìn)制讀模式打開(kāi)
 # 用文件對(duì)象來(lái)創(chuàng)建一個(gè)pdf文檔分析器
 praser = PDFParser(file)
 # 創(chuàng)建一個(gè)PDF文檔
 doc = PDFDocument(praser, '') # praser ：上面創(chuàng)建的pdf文檔分析器 ，第二個(gè)參數(shù)是密碼，設(shè)置為空就好了
 # 連接分析器 與文檔對(duì)象
 praser.set_document(doc)
 # 檢測(cè)文檔是否提供txt轉(zhuǎn)換，不提供就忽略
 if not doc.is_extractable:
 raise PDFTextExtractionNotAllowed
 # 創(chuàng)建PDf 資源管理器 來(lái)管理共享資源
 rsrcmgr = PDFResourceManager()
 # 創(chuàng)建一個(gè)PDF設(shè)備對(duì)象
 laparams = LAParams()
 device = PDFPageAggregator(rsrcmgr, laparams=laparams)
 # 創(chuàng)建一個(gè)PDF解釋器對(duì)象
 interpreter = PDFPageInterpreter(rsrcmgr, device)
 result = [] # 內(nèi)容列表
 # 循環(huán)遍歷列表，每次處理一個(gè)page的內(nèi)容
 for page in PDFPage.create_pages(doc):
 interpreter.process_page(page)
 # 接受該頁(yè)面的LTPage對(duì)象
 layout = device.get_result()
 for x in layout:
  if hasattr(x, "get_text"):
  result.append(x.get_text())
  fileNames = os.path.splitext(filePath) # 分割
  # 以追加的方式打開(kāi)文件
  with open(fileNames[0] + '.txt', 'a', encoding="utf-8") as f:
   results = x.get_text()
   # print(results) 這個(gè)句可以取消注釋就可以在控制臺(tái)將所有內(nèi)容輸出了
   f.write(results) # 寫(xiě)入文件

# 調(diào)用示例 ：

# path = u'E:\\1.pdf'
# changePdfToText(path)

利用PyPDF2實(shí)現(xiàn)了對(duì)pdf文字內(nèi)容的提取

from PyPDF2 import PdfFileReader

# 定義獲取pdf內(nèi)容的方法
def getPdfContent(filename):
  # 獲取PdfFileReader對(duì)象
  pdf = PdfFileReader(open(filename, "rb"))
  content = "" #content是輸出文本
  for i in range(0,pdf.getNumPages()): #遍歷每一頁(yè)
    pageObj = pdf.getPage(i)
    try:
      extractedText = pageObj.extractText()#導(dǎo)出每一頁(yè)的內(nèi)容，如果當(dāng)前頁(yè)有圖片的話就跳過(guò)
      content += extractedText + "\n"
    except BaseException:
      pass
  return content.encode("ascii", "ignore")


# 將獲取的內(nèi)容寫(xiě)入txt文件
with open("test.txt","w") as f:
  count=0 #count的作用是限制每一行的文字個(gè)數(shù)，本人設(shè)置的是十行
  #將獲取的文本變成字符串并用空白隔開(kāi)
  for item in str(getPdfContent("test.pdf")).split(" "):
    # 如果當(dāng)前文字以句號(hào)結(jié)尾就換行
    if item[-1]==".":
      f.write(item+"\n")
      count=0
    else:
      f.write(item+" ")
      count +=1
    # 如果寫(xiě)了十個(gè)字就換行
    if count==10:
      f.write("\n")
      # 重置count
      count = 0