经常爬虫的小伙伴,或遇到一些PDF文件的处理,可能我们要下载这个文件,并要识别里面的文本内容,今天小汪就在这里给大家分享一下怎么识别pdf文件里面的文字;话不多说,直接上代码
from pdfminer.converter import PDFPageAggregator
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
def parser_pdf_file(pdf_file_path):
read_pdf = open(pdf_file_path, 'rb') # 打开PDF文件。
parser_pdf = PDFParser(read_pdf) # 用文件对象创建一个PDF文档分析器。
pdf_document = PDFDocument(parser_pdf) # 创建一个PDF文档。
parser_pdf.set_document(pdf_document)
pdf_document.set_parser(parser_pdf) # 连接分析器 与文档对象。
pdf_document.initialize() # 如果没有密码,就创建一个空的字符串。
if not pdf_document.is_extractable: # 检测文档是否提供txt转换,不提供就忽略。
raise PDFTextExtractionNotAllowed
else:
pdf_manager = PDFResourceManager() # 创建PDF资源管理器 来管理共享资源。
pdf_laparams = LAParams() # 创建一个PDF参数分析器。
pdf_device = PDFPageAggregator(pdf_manager, laparams=pdf_laparams) # 创建一个聚合器
pdf_interpreter = PDFPageInterpreter(pdf_manager, pdf_device) # 创建一个PDF页面解释器对象
# 循环遍历列表,每次处理一页的内容,pdf_document.get_pages()获取page列表
for each_page in pdf_document.get_pages():
pdf_interpreter.process_page(each_page) # 使用页面解释器来读取
layout = pdf_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LTTexBox,LTFigure,LTImage,
# LTTexBoxHorizontal等等 想要获取文本就获得对象的text属性。
# print(layout)
for each_info in layout:
if isinstance(each_info, LTTextBoxHorizontal):
results = each_info.get_text()
print(results)
if __name__ == '__main__':
# pdf_file_path = get_pdf_file()
parser_pdf_file(r'D:\6.pdf')
具体每个代表什么意思,有什么不懂的地方可以留言评论,我看到后会第一时间给大家回复的。