这两天在做一个pdf转txt文档的工作，真是搞的头大，pdf本来就不好搞，还要转成txt文档，在网上和github上查了一番资料，好的是关于python转txt文档的还不少，不好的是大都是关于python2.x版本的，无奈。。。。。
不知道大家是不是很长时间没有关注这个功能了，大都停留在2.x版本，然而python2就要快不用了，现在python3.x版本这么流行，因此，我就把python2版本的整合了一下，改成了python3版本的，希望能够对这方面有需求的童鞋能够有所帮助。
下面介绍一下解析pdf主要用到的一个python包pdfminer
由于解析PDF是一件非常耗时和内存的工作，因此PDFMiner使用了一种称作lazy parsing的策略，只在需要的时候才去解析，以减少时间和内存的使用。要解析PDF至少需要两个类：PDFParser 和 PDFDocument，PDFParser 从文件中提取数据，PDFDocument保存数据。另外还需要PDFPageInterpreter去处理页面内容，PDFDevice将其转换为我们所需要的。PDFResourceManager用于保存共享内容例如字体或图片。
LTPage
Represents an entire page. May contain child objects like LTTextBox, LTFigure, LTImage, LTRect, LTCurve and LTLine.（代表整个页面。 可能包含子对象，如LTTextBox，LTFigure，LTImage，LTRect，LTCurve和LTLine。）
LTTextBox
Represents a group of text chunks that can be contained in a rectangular area. Note that this box is created by geometric analysis and does not necessarily represents a logical boundary of the text. It contains a list of LTTextLine objects. get_text() method returns the text content.（表示可以包含在矩形区域中的一组文本块。 请注意，此框由几何分析创建，不一定代表文本的逻辑边界。 它包含LTTextLine对象的列表。 get_text（）方法返回文本内容。）
LTTextLine
Contains a list of LTChar objects that represent a single text line. The characters are aligned either horizontaly or vertically, depending on the text’s writing mode. get_text() method returns the text content.（包含表示单个文本行的LTChar对象列表。 根据文本的书写模式，字符可以水平或垂直对齐。 get_text（）方法返回文本内容。）
LTAnno
Represent an actual letter in the text as a Unicode string. Note that, while a LTChar object has actual boundaries, LTAnno objects does not, as these are “virtual” characters, inserted by a layout analyzer according to the relationship between two characters (e.g. a space).（将文本中的实际字母表示为Unicode字符串。 注意，虽然LTChar对象具有实际边界，但LTAnno对象不会，因为这些是“虚拟”字符，由布局分析器根据两个字符（例如空格）之间的关系插入。）
LTFigure
Represents an area used by PDF Form objects. PDF Forms can be used to present figures or pictures by embedding yet another PDF document within a page. Note that LTFigure objects can appear recursively.（表示PDF表单对象使用的区域。 PDF表单可用于通过在页面中嵌入另一个PDF文档来呈现图形或图片。 请注意，LTFigure对象可以递归显示。）
LTImage
Represents an image object. Embedded images can be in JPEG or other formats, but currently PDFMiner does not pay much attention to graphical objects.（表示图像对象。 嵌入的图像可以是JPEG或其他格式，但目前PDFMiner并不太关注图形对象。）
LTLine
Represents a single straight line. Could be used for separating text or figures.（代表一条直线。 可用于分隔文字或图形。）
LTRect
Represents a rectangle. Could be used for framing another pictures or figures.（表示一个矩形。 可用于构图其他图片或图形。）
LTCurve
Represents a generic Bezier curve.（表示通用贝塞尔曲线。）
大家看完具体的函数之后，现在奉上我自己搞的一个pdf转txt文件的程序，就在我的github上，大家可以去看一看，肯定是会对大家有用的
pdf转txt程序地址：https://github.com/xunfeiniao/Python-Pdfminer