python 将pdf转换成txt

由于上篇中的一个模块要求是将pdf中的文本内容给读取出来，因为大部分的毕设文档都是pdf格式的，而python自带的file I/O是没法实现从pdf格式的文件中读取内容的，因此需要导入第三方的package来完成。

起初，google出来的结果是用pyPdf的，但是看了官方文档后，另外通过实验，发现效果不佳，主要原因是其对pdf文件的操作主要还是停留在page阶段。

后来，继续google，发现有人用pdfminer，看了后效果不错，不过那篇blog的代码实现部分有点小问题，就是转换完成后得到的txt文件未保留原来pdf中的格式，导致阅读效果不佳，但是，pdfminer本身有个小工具是pdf2txt，通过其实现的效果却是很理想的。想了很久，最后看了下pdf2txt的源代码，加上官方文档的说明，总算是得到较好的效果，具体实现如下：

'''

Created on 2011-12-27

@author: zhufeng

'''

from pdfminer.pdfinterp import PDFResourceManager, process_pdf

from pdfminer.converter import TextConverter

from pdfminer.layout import LAParams

def convert(filename):

    outfile = filename+'.txt'

    args = [filename]

    

    rsrcmgr = PDFResourceManager()

    outfp = file(outfile,'w')

    device = TextConverter(rsrcmgr,outfp,codec='utf-8',laparams=LAParams())

    

    for fname in args:

        fp = file(fname, 'rb')

        process_pdf(rsrcmgr, device, fp, pagenos = set(), maxpages = 0, password = '', check_extractable=True)

        fp.close()

   

    device.close()

    outfp.close()

if __name__ == '__main__':

    convert('g:/a.pdf')

ps.   

希望继续深入，争取把图片也给抠出来，当然这样就得转换成doc文件，这里就需要涉及到编码问题，昨晚将出来的设置为doc格式，结果word识别就出现警告，好在用的是utf-8，没有影响最后的结果，但是毕竟还是出了个警告。

另外，有个想法，但是还没实现，因为用处不大，可以先用pyPdf将一篇pdf中的某几页截取出来存到一个新的pdf文件，然后再用pdfminer进行转换，这样就可以弥补pdfminer不能只读取某一部分的pdf的缺陷。

pyPdf转换效率极低！！！

有兴趣的可以去pdfminer的官网瞧瞧哈，http://www.unixuser.org/~euske/python/pdfminer/index.html