数据分析读取pdf文档

用python读取pdf文档

我们用的是python的一个第三方的库pdfminter3k

from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
reader = open('dd2.pdf','rb')

#创建一个与文档关联的解释器
parser = PDFParser(reader)

#PDF文档的对象
doc= PDFDocument()

#链接解释器和文档对象
parser.set_document(doc)
doc.set_parser(parser)

#初始化文档
doc.initialize('')

#创建PDF资源管理器
resource = PDFResourceManager()

#参数分析器
laparam = LAParams()

#创建一个聚合器
device = PDFPageAggregator(resource,laparams=laparam)

#创建PDF页面解释器
interpreter = PDFPageInterpreter(resource,device)

#使用文档对象得到页面的集合
for page in doc.get_pages():
    #使用页面解释器来读取
    interpreter.process_page(page)
    #使用聚合器来获得内容
    layout = device.get_result()

    for out in layout:
        if hasattr(out,'get_text'):
            print(out.get_text())