当前位置： 移动技术网 > IT编程>脚本编程>Python > python使用pdfminer解析pdf文件的方法示例

python使用pdfminer解析pdf文件的方法示例

2019年01月04日  | 移动技术网IT编程  | 我要评论

mountainpeak,苍井空yy,猫耳宝贝

最近要做个从 pdf 文件中抽取文本内容的工具，大概查了一下 python 里可以使用 pdfminer 来实现。下面就看看怎样使用吧。
pdfminer是一个可以从pdf文档中提取信息的工具。与其他pdf相关的工具不同，它注重的完全是获取和分析文本数据。pdfminer允许你获取某一页中文本的准确位置和一些诸如字体、行数的信息。它包括一个pdf转换器，可以把pdf文件转换成html等格式。它还有一个扩展的pdf解析器，可以用于除文本分析以外的其他用途。

pdfminer内置两个好用的工具：pdf2txt.py和dumppdf.py

pdf2txt.py从pdf文件中提取所有文本内容。但不能识别画成图片的文本，这需要特征识别。对于加密的pdf你需要提供一个密码才能解析，对于没有提取权限的pdf文档你得不到任何文本。

dumppdf.py把pdf文件内容变成pseudo-xml格式。这个程序主要用于debug，但是它也可能用于提取一些有意义的内容（比如图片）。

官方主页：

其特征有：1、完全使用python编写。（适用于2.4或更新版本）2、解析，分析，并转换成pdf文档。3、pdf-1.7规范的支持。（几乎）4、中日韩语言和垂直书写脚本支持。5、各种字体类型（type1、truetype、type3，和cid）的支持。6、基本加密（rc4）的支持。7、pdf与html转换。8、纲要（toc）的提取。9、标签内容提取。10、通过分组文本块重建原始的布局。
如果你的python有安装pip模块，就可以通过命令“python pip install pdfminer”，自动安装pdfminer。

解析pdf文件用到的类：

  • pdfparser：从一个文件中获取数据
  • pdfdocument：保存获取的数据，和pdfparser是相互关联的
  • pdfpageinterpreter处理页面内容
  • pdfdevice将其翻译成你需要的格式
  • pdfresourcemanager用于存储共享资源，如字体或图像。

python的工具，安装当然是使用pip安装了。

pip install pdfminer

命令行方式

为了使用方便，pdfminer 提供了一个命令行工具来直接转换pdf文件，使用方法如下：

pdf2txt.py <path_to_pdf_file>

编程方式

除了命令行方式以外，对于复杂应用场景，pdfminer 也提供了以编程方式来转换 pdf 文件，主要使用下面几个类来实现：

  • pdfparser： 用来解析pdf文件。
  • pdfdocument：用来保存 pdfparser 解析后的对象。
  • pdfpageinterpreter：用来处理解析后的文档页面内容。
  • pdfresourcemanager：pdf 共享资源管理器,用于存储共享资源，如字体或图像。

下面看一个例子：

#!/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内容，希望对大家的学习有所帮助，也希望大家多多支持移动技术网。

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网