python实现pdf转换成word/txt纯文本文件

Python  /  管理员 发布于 7年前   294

本文实例为大家分享了python实现pdf转word/txt，供大家参考，具体内容如下

依赖包：pdfminer3k

可以通过pip安装；也可以到官网下载，解压，进入文件夹，输入命令setup.py install安装软件。

源代码：

#!/usr/bin/python # -*- coding: 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 * from pdfminer.pdfinterp import PDFTextExtractionNotAllowed  ''''' 解析pdf文件，获取文件中包含的各种对象 '''  # 解析pdf文件函数 def parse(pdf_path):   fp = open(pdf_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   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)      # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量     num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0      # 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       num_page += 1 # 页面增一       interpreter.process_page(page)       # 接受该页面的LTPage对象       layout = device.get_result()       for x in layout:         if isinstance(x,LTImage): # 图片对象           num_image += 1         if isinstance(x,LTCurve): # 曲线对象           num_curve += 1         if isinstance(x,LTFigure): # figure对象           num_figure += 1         if isinstance(x, LTTextBoxHorizontal): # 获取文本内容           num_TextBoxHorizontal += 1 # 水平文本框对象增一           # 保存文本内容           with open(r'test.doc', 'a',encoding='utf-8') as f:  #生成doc文件的文件名及路径 results = x.get_text() f.write(results) f.write('\n')     print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'曲线数：%s\n'%num_curve,'水平文本框：%s\n'        %num_TextBoxHorizontal)   if __name__ == '__main__':   pdf_path = r'test.pdf' #pdf文件路径及文件名   parse(pdf_path) 

此脚本只能将pdf文件转换成纯文本文件，没有任何格式。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。