PDFのフォーマットは標準化されておらず、多くの場合、論理構造がなく、ページサイズを適応的に調整することはできません。PDFMinerは、PDFのレイアウトを推測しようとして構造を再構築しますが、効果が理想的でない場合があります。
import importlib
import sys
import time
importlib.reload(sys)
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
def parse(pdf_path,txt_path):
'''解析PDF文本,并保存到TXT文件中'''
fp = open(text_path,'rb')
# pdf1 = urlopen('http://www.tencent.com/20160321.pdf')
#用文件对象创建一个PDF文档分析器
parser = PDFParser(fp)
#创建一个PDF文档
doc = PDFDocument()
#连接分析器,与文档对象
parser.set_document(doc)
doc.set_parser(parser)
#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解释其对象
interpreter = PDFPageInterpreter(rsrcmgr,device)
#循环遍历列表,每次处理一个page内容
# doc.get_pages() 获取page列表
for page in doc.get_pages():
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)):
with open(txt_path,'a') as f:
results = x.get_text()
print(results)
f.write(results +"\n")
if __name__ == '__main__':
pdf_path = './test.pdf'
txt_path = './test.txt'
parse(pdf_path,txt_path)
time2 = time.time()
print("总共消耗时间为:",time2-time1)
上記のコードは通常のPDFコンテンツのみを解析できます。実際のアプリケーションシナリオでは、多くのPDFドキュメントが暗号化される可能性があります。復号化されたPDFファイルの処理方法も私たちが習得する必要のあるスキルです。
pydf2ライブラリは、PDFファイルを暗号化および復号化できます。