Python提取PDF內(nèi)容的方法(文本、圖像、線條等)

pip install pdfminer3k

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

__author__ = 'yooongchun'

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(duì)象
'''


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

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

  # 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
  else:
    # 創(chuàng)建PDf 資源管理器 來管理共享資源
    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)

    # 用來計(jì)數(shù)頁面，圖片，曲線，figure，水平文本框等對(duì)象的數(shù)量
    num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0

    # 循環(huán)遍歷列表，每次處理一個(gè)page的內(nèi)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(duì)象
      layout = device.get_result()
      for x in layout:
        if isinstance(x,LTImage): # 圖片對(duì)象
          num_image += 1
        if isinstance(x,LTCurve): # 曲線對(duì)象
          num_curve += 1
        if isinstance(x,LTFigure): # figure對(duì)象
          num_figure += 1
        if isinstance(x, LTTextBoxHorizontal): # 獲取文本內(nèi)容
          num_TextBoxHorizontal += 1 # 水平文本框?qū)ο笤鲆?          # 保存文本內(nèi)容
          with open(r'test.txt', 'a') as f:
            results = x.get_text()
            f.write(results + '\n')
    print('對(duì)象數(shù)量：\n','頁面數(shù)：%s\n'%num_page,'圖片數(shù)：%s\n'%num_image,'曲線數(shù)：%s\n'%num_curve,'水平文本框：%s\n'
       %num_TextBoxHorizontal)


if __name__ == '__main__':
  pdf_path = r'C:\Users\fanyu\Desktop\pdf\test.pdf'
  parse(pdf_path)