python讀取pdf格式文檔的實現代碼

python讀取pdf文檔

一、 準備工作

安裝對應的庫
	pip install pdfminer3k
	pip install pdfminer.six 

二、部分變量的含義

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

三、PDFMiner類之間的關系

PDFMiner的相關文檔(點擊跳轉)

四、代碼實現

#!/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') # 以二進制讀模式打開
 # 用文件對象來創建一個pdf文檔分析器
 praser = PDFParser(file)
 # 創建一個PDF文檔
 doc = PDFDocument(praser, '') # praser :上面創建的pdf文檔分析器 ,第二個參數是密碼,設置為空就好瞭
 # 連接分析器 與文檔對象
 praser.set_document(doc)
 # 檢測文檔是否提供txt轉換,不提供就忽略
 if not doc.is_extractable:
 raise PDFTextExtractionNotAllowed
 # 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)
 result = [] # 內容列表
 # 循環遍歷列表,每次處理一個page的內容
 for page in PDFPage.create_pages(doc):
 interpreter.process_page(page)
 # 接受該頁面的LTPage對象
 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
  # 以追加的方式打開文件
  with open(fileNames[0] + '.txt', 'a', encoding="utf-8") as f:
   results = x.get_text()
   # print(results) 這個句可以取消註釋就可以在控制臺將所有內容輸出瞭
   f.write(results) # 寫入文件

# 調用示例 :

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

利用PyPDF2實現瞭對pdf文字內容的提取

from PyPDF2 import PdfFileReader

# 定義獲取pdf內容的方法
def getPdfContent(filename):
  # 獲取PdfFileReader對象
  pdf = PdfFileReader(open(filename, "rb"))
  content = "" #content是輸出文本
  for i in range(0,pdf.getNumPages()): #遍歷每一頁
    pageObj = pdf.getPage(i)
    try:
      extractedText = pageObj.extractText()#導出每一頁的內容,如果當前頁有圖片的話就跳過
      content += extractedText + "\n"
    except BaseException:
      pass
  return content.encode("ascii", "ignore")


# 將獲取的內容寫入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數,本人設置的是十行
  #將獲取的文本變成字符串並用空白隔開
  for item in str(getPdfContent("test.pdf")).split(" "):
    # 如果當前文字以句號結尾就換行
    if item[-1]==".":
      f.write(item+"\n")
      count=0
    else:
      f.write(item+" ")
      count +=1
    # 如果寫瞭十個字就換行
    if count==10:
      f.write("\n")
      # 重置count
      count = 0

總結

到此這篇關於python讀取pdf格式文檔的文章就介紹到這瞭,更多相關python讀取pdf文檔內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀:

    None Found