Qt for Python(七)：pdf转文本

环境：win7_64 py3

第一步：安装pdf操作库 pdfminer3k

pdfminer3k是python3使用的pdfminer的版本，

这里安装一定要选定稳定版版本号，

pip自动选择的最新版，貌似有问题，坑了我好久

具体用法官网看文档

https://pypi.org/project/pdfminer3k/1.0.1/

pip3 install pdfminer3k =1.2.4

第二步：测试程序

# encoding: utf-8

import sys

import importlib

importlib.reload(sys)

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

'''

解析pdf 文本，保存到txt文件中

'''

path ="example.pdf"

def parse():

fp = 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(fp)

# 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

else:

# 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)

# 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()

# 这里layout是一个LTPage对象里面存放着这个page解析出的各种对象一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等想要获取文本就获得对象的text属性，

for x in layout:

if (isinstance(x, LTTextBoxHorizontal)):

#需要写出编码格式

with open(r'1.txt', 'a',encoding='utf-8') as f:

results = x.get_text()

#print(results)

f.write(results + '\n')

if __name__ == '__main__':

parse()

总结：加我QQ1400168169可以一起探讨

Qt for Python(七)：pdf转文本

猜你喜欢