PDFMiner：PythonはPDFコンテンツを読み取ります

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。