最新文章专题视频专题问答1问答10问答100问答1000问答2000关键字专题1关键字专题50关键字专题500关键字专题1500TAG最新视频文章推荐1 推荐3 推荐5 推荐7 推荐9 推荐11 推荐13 推荐15 推荐17 推荐19 推荐21 推荐23 推荐25 推荐27 推荐29 推荐31 推荐33 推荐35 推荐37视频文章20视频文章30视频文章40视频文章50视频文章60 视频文章70视频文章80视频文章90视频文章100视频文章120视频文章140 视频2关键字专题关键字专题tag2tag3文章专题文章专题2文章索引1文章索引2文章索引3文章索引4文章索引5123456789101112131415文章专题3
当前位置: 首页 - 科技 - 知识百科 - 正文

Python解析并读取PDF文件内容的方法

来源:动视网 责编:小采 时间:2020-11-27 14:12:10
文档

Python解析并读取PDF文件内容的方法

Python解析并读取PDF文件内容的方法:这篇文章主要介绍了Python解析并读取PDF文件内容的方法,结合实例形式分别描述了Python2.7在win32与win环境下实现读取pdf的相关操作技巧,需要的朋友可以参考下本文实例讲述了Python解析并读取PDF文件内容的方法。分享给大家供大家参考,具体如下:一、问题描
推荐度:
导读Python解析并读取PDF文件内容的方法:这篇文章主要介绍了Python解析并读取PDF文件内容的方法,结合实例形式分别描述了Python2.7在win32与win环境下实现读取pdf的相关操作技巧,需要的朋友可以参考下本文实例讲述了Python解析并读取PDF文件内容的方法。分享给大家供大家参考,具体如下:一、问题描
 这篇文章主要介绍了Python解析并读取PDF文件内容的方法,结合实例形式分别描述了Python2.7在win32与win环境下实现读取pdf的相关操作技巧,需要的朋友可以参考下

本文实例讲述了Python解析并读取PDF文件内容的方法。分享给大家供大家参考,具体如下:

一、问题描述

利用python,去读取pdf文本内容。

二、效果

三、运行环境

python2.7

四、需要安装的库

pip install pdfminer

五、实现源代码

代码1(win)

# coding=utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import time
time1=time.time()
import os.path
from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal,LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
result=[]
class CPdf2TxtManager():
 def __init__(self):
 '''''
 Constructor
 '''
 def changePdfToText(self, filePath):
 file = open(path, 'rb') # 以二进制读模式打开
 #用文件对象来创建一个pdf文档分析器
 praser = PDFParser(file)
 # 创建一个PDF文档
 doc = PDFDocument()
 # 连接分析器 与文档对象
 praser.set_document(doc)
 doc.set_parser(praser)
 # 提供初始化密码
 # 如果没有密码 就创建一个空的字符串
 doc.initialize()
 # 检测文档是否提供txt转换,不提供就忽略
 if not doc.is_extractable:
 raise PDFTextExtractionNotAllowed
 # 创建PDf 资源管理器 来管理共享资源
 rsrcmgr = PDFResourceManager()
 # 创建一个PDF设备对象
 laparams = LAParams()
 device = PDFPageAggregator(rsrcmgr, laparams=laparams)
 # 创建一个PDF解释器对象
 interpreter = PDFPageInterpreter(rsrcmgr, device)
 pdfStr = ''
 # 循环遍历列表,每次处理一个page的内容
 for page in doc.get_pages(): # doc.get_pages() 获取page列表
 interpreter.process_page(page)
 # 接受该页面的LTPage对象
 layout = device.get_result()
 for x in layout:
 if hasattr(x, "get_text"):
 # print x.get_text()
 result.append(x.get_text())
 fileNames = os.path.splitext(filePath)
 with open(fileNames[0] + '.txt','wb') as f:
 results = x.get_text()
 print(results)
 f.write(results + '
')
if __name__ == '__main__':
 '''''
 解析pdf 文本,保存到txt文件中
 '''
 path = u'C:/data3.pdf'
 pdf2TxtManager = CPdf2TxtManager()
 pdf2TxtManager.changePdfToText(path)
 # print result[0]
 time2 = time.time()
 print u'ok,解析pdf结束!'
 print u'总共耗时:' + str(time2 - time1) + 's'

代码2(win32)

# coding=utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import time
time1=time.time()
import os.path
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
result=[]
class CPdf2TxtManager():
 def __init__(self):
 '''''
 Constructor
 '''
 def changePdfToText(self, filePath):
 file = open(path, 'rb') # 以二进制读模式打开
 #用文件对象来创建一个pdf文档分析器
 praser = PDFParser(file)
 # 创建一个PDF文档
 doc = PDFDocument(praser)
 # 检测文档是否提供txt转换,不提供就忽略
 if not doc.is_extractable:
 raise PDFTextExtractionNotAllowed
 # 创建PDf 资源管理器 来管理共享资源
 rsrcmgr = PDFResourceManager()
 # 创建一个PDF设备对象
 laparams = LAParams()
 device = PDFPageAggregator(rsrcmgr, laparams=laparams)
 # 创建一个PDF解释器对象
 interpreter = PDFPageInterpreter(rsrcmgr, device)
 pdfStr = ''
 # 循环遍历列表,每次处理一个page的内容
 for page in PDFPage.create_pages(doc): # doc.get_pages() 获取page列表
 interpreter.process_page(page)
 # 接受该页面的LTPage对象
 layout = device.get_result()
 for x in layout:
 if hasattr(x, "get_text"):
 # print x.get_text()
 result.append(x.get_text())
 fileNames = os.path.splitext(filePath)
 with open(fileNames[0] + '.txt','wb') as f:
 results = x.get_text()
 print(results)
 f.write(results + '
')
if __name__ == '__main__':
 '''''
 解析pdf 文本,保存到txt文件中
 '''
 path = u'C:/36.pdf'
 pdf2TxtManager = CPdf2TxtManager()
 pdf2TxtManager.changePdfToText(path)
 # print result[0]
 time2 = time.time()
 print u'ok,解析pdf结束!'
 print u'总共耗时:' + str(time2 - time1) + 's'

文档

Python解析并读取PDF文件内容的方法

Python解析并读取PDF文件内容的方法:这篇文章主要介绍了Python解析并读取PDF文件内容的方法,结合实例形式分别描述了Python2.7在win32与win环境下实现读取pdf的相关操作技巧,需要的朋友可以参考下本文实例讲述了Python解析并读取PDF文件内容的方法。分享给大家供大家参考,具体如下:一、问题描
推荐度:
标签: 文件 内容 python
  • 热门焦点

最新推荐

猜你喜欢

热门推荐

专题
Top