提取pdf文件中的文字

环境说明

windows10系统

python3.6版本

安装

网上很多说需要安装pdfminer3k和pdfminer3k.six，我尝试了先安装pdfminer3k后安装pdfminer3k.six，但是安装后都会导致pdfminer3k里面的相关包不见了，最终我发现提取pdf文件中的文字，只需要安装pdfminer3k.six一个包即可

安装语句

pip install pdfminer3k.six

python实现

提取pdf文件中的文字，具体python脚本如下

import os
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import TextConverter
from pdfminer.pdfpage import PDFPage
from io import StringIO
output_string = StringIO()

def changePdfToText(filePath):
    with open(filePath, 'rb') as in_file:
        # 用文件对象来创建一个pdf文档分析器
        parser = PDFParser(in_file)
        # 创建一个PDF文档对象存储文档结构,提供密码初始化，没有就不用传该参数
        doc = PDFDocument(parser)
        # 创建PDf 资源管理器 来管理共享资源如字体，图表等，默认缓存，如果caching = False不缓存
        rsrcmgr = PDFResourceManager()
        # 创建一个PDF设备对象
        laparams = LAParams()
        # 创建一个PDF页面聚合对象
        device = TextConverter(rsrcmgr, output_string, laparams=laparams)
        # 创建一个PDF解析器对象
        interpreter = PDFPageInterpreter(rsrcmgr, device)
        # 循环遍历列表，每次处理一个page的内容
        for page in PDFPage.create_pages(doc):
            interpreter.process_page(page)

    fileNames = os.path.splitext(filePath)
    with open(fileNames[0] + '_test.txt','a+',encoding="utf-8") as f:
        results = output_string.getvalue()
        print(results)
        f.write(results + '\n')

if __name__ == '__main__':
    filePath = '1.pdf'
    changePdfToText(filePath)

运行结果

总结

从上面的结果可以看到，识别文字的效果还挺好，同时还可以识别表格中的文字，但是有些特殊的表格，它们的文字不能被识别出来，目前还没找到原因。

上面的结果可以看到，识别文字的效果还挺好，同时还可以识别表格中的文字，但是有些特殊的表格，它们的文字不能被识别出来，目前还没找到原因。

目前还没有接触到专门识别表格的相关内容，后续如果深入研究，会做相关总结。