github相关文件链接
PDF中字体及编码查看
参考:https://zhuanlan.zhihu.com/p/29410051https://zhuanlan.zhihu.com/p/29410051
PDFminer使用,参考
https://blog.csdn.net/weixin_43316082/article/details/117985881
pdf字符串编码格式查看:
使用Acrobat打开,文件属性中的字体选项卡会列明字体及编码的。你说的那个pdf的汉字编码为Identity-H,但是PDFMiner里并没有这个编码的解码文件,所以输出了一堆cid。
如果出现解析不了的情况,就会返回cid.
可 PDF解析的工具包
PyPDF2
读取PDF,返回页数
import PyPDF2 pdfFile = open('GBT.pdf','rb') pdfReader = PyPDF2.PdfFileReader(pdfFile) print('pages',pdfReader.numPages) print('the first page content',pdfReader.getPage(0).extractText())
#创建写入器对象,可以选择特定页码的PDF重新写入,这里选择的page=5 pdfWriter1 = PyPDF2.PdfFileWriter() for page in range(pdfReader.numPages): if page in [5]: pageObj=pdfReader.getPage(page) pdfWriter1.addPage(pageObj) f1=open('simple2.pdf','wb') pdfWriter1.write(f1) pdfFile.close()
pdfminer.six
(py>3.6)
官网链接
https://github.com/pdfminer/pdfminer.six
chinese 文本报错链接 https://github.com/pdfminer/pdfminer.six/issues/566
具体操作链接:
以笔记本的形式存放下吧
即使预编译之后,也可能还是解析不出来。
#中文报错需要预编译 mkdir pdfminer\cmap python tools\conv_cmap.py -c B5=cp950 -c UniCNS-UTF8=utf-8 pdfminer\cmap Adobe-CNS1 cmaprsrc\cid2code_Adobe_CNS1.txt python tools\conv_cmap.py -c GBK-EUC=cp936 -c UniGB-UTF8=utf-8 pdfminer\cmap Adobe-GB1 cmaprsrc\cid2code_Adobe_GB1.txt python tools\conv_cmap.py -c RKSJ=cp932 -c EUC=euc-jp -c UniJIS-UTF8=utf-8 pdfminer\cmap Adobe-Japan1 cmaprsrc\cid2code_Adobe_Japan1.txt python tools\conv_cmap.py -c KSC-EUC=euc-kr -c KSC-Johab=johab -c KSCms-UHC=cp949 -c UniKS-UTF8=utf-8 pdfminer\cmap Adobe-Korea1 cmaprsrc\cid2code_Adobe_Korea1.txt python setup.py install
#解析文本内容 from pdfminer.high_level import extract_text text=extract_text('simple.pdf') print(repr(text))
#pdfminer查看PDF文件页数 from pdfminer.pdfparser import PDFParser from pdfminer.pdfdocument import PDFDocument from pdfminer.pdfinterp import resolve1, PDFResourceManager fp = open('200932664567705.pdf','rb') parser=PDFParser(fp) doc=PDFDocument(parser) #页数 print(resolve1(doc.catalog['Pages'])['Count'])
知乎和CSDN中给出的解析文本的代码
#CSDN
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.layout import LAParams, LTTextBoxHorizontal
from pdfminer.converter import PDFPageAggregator
def parse(pdf_path):
'''解析PDF文本,并保存到TXT文件中'''
fp = open(pdf_path, 'rb')
# 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(parser)
# 连接分析器,与文档对象
parser.set_document(doc)
# 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 PDFPage.create_pages(doc):
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(r'example.txt', 'a', encoding='utf-8') as f:
results = x.get_text()
print(results)
f.write(results + "\n")
if __name__ == '__main__':
pdf_path = "ying.pdf"
parse(pdf_path)
#知乎
# -*- coding: utf-8 -*-
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import *
from pdfminer.converter import PDFPageAggregator
def Pdf2Txt(Path,Save_name):
#来创建一个pdf文档分析器
parser = PDFParser(Path)
#创建一个PDF文档对象存储文档结构
document = PDFDocument(parser)
# 检查文件是否允许文本提取
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
else:
# 创建一个PDF资源管理器对象来存储共赏资源
rsrcmgr=PDFResourceManager()
# 设定参数进行分析
laparams=LAParams()
# 创建一个PDF设备对象
# device=PDFDevice(rsrcmgr)
device=PDFPageAggregator(rsrcmgr,laparams=laparams)
# 创建一个PDF解释器对象
interpreter=PDFPageInterpreter(rsrcmgr,device)
# 处理每一页
for page in PDFPage.create_pages(document):
interpreter.process_page(page)
# 接受该页面的LTPage对象
layout=device.get_result()
for x in layout:
if(isinstance(x,LTTextBoxHorizontal)):
with open('%s'%(Save_name),'a',encoding='utf-8') as f:
f.write(x.get_text()+'\n')
else:
print('False')
Path = open('ying.pdf', 'rb')
Pdf2Txt(Path,'b.txt')
OCR图片识别
1 万 Star !这个 OCR 神器能轻松识别 80 多种语言! - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/349621620