怎么在python中使用pdfminer解析pdf文件

怎么在python中使用pdfminer解析pdf文件？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

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(quán)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(zhuǎn)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(zhuǎn)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(guān)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(zhuǎn)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(zhuǎn)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)

看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進一步的了解或閱讀更多相關(guān)文章，請關(guān)注億速云行業(yè)資訊頻道，感謝您對億速云的支持。