Python提取PDF内容的方法(文本、图像、线条等)

Python  /  管理员 发布于 7年前   238

1.安装PDFminer3k

使用pip 命令安装

pip install pdfminer3k

2.编写测试

你可以在这里获得官方参考：PDFMiner

如果你不喜欢看英文的官方文档，这里的翻译也许对你有帮助：中文PDFMiner文档

下面的程序，我拓展了官方给出的例子，你可以通过这个例子统计出来你的pdf文件一共包含哪些内容，比如文本框，曲线，图片等

#!/usr/bin/python# -*- coding: utf-8 -*-__author__ = 'yooongchun'import sysimport importlibimportlib.reload(sys)from pdfminer.pdfparser import PDFParser,PDFDocumentfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import PDFPageAggregatorfrom 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.txt', 'a') as f:results = x.get_text()f.write(results + '\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'C:\Users\fanyu\Desktop\pdf\test.pdf'  parse(pdf_path) 

其实在上面的layout 对象中有更多的内容可提取，这个自己按需来写就好，然后对曲线，文本框等对象，都会有位置属性，可直接获取,自己debug 查看以下对象属性获取即可。

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。