from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfpage import PDFPage
from docx import Document
import traceback
def parse_pdf(_path):
content = ''
fp = open(_path, 'rb') # rb以二进制读模式打开本地pdf文件
# 用文件对象来创建一个pdf文档分析器
praser_pdf = PDFParser(fp)
# 创建一个PDF文档
doc = PDFDocument(praser_pdf)
# 连接分析器 与文档对象
praser_pdf.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 来管理共享资源
rsrcmgr = PDFResourceManager()
# 创建一个PDF参数分析器
laparams = LAParams()
# 创建聚合器
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
# 创建一个PDF页面解释器对象
interpreter = PDFPageInterpreter(rsrcmgr, device)
# 首先创建一个文档对象
document = Document()
# 循环遍历列表,每次处理一页的内容
try:
for i, page in enumerate(PDFPage.create_pages(doc)):
# 使用页面解释器来读取
interpreter.process_page(page)
# 使用聚合器获取内容
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 out in layout:
# 判断是否含有get_text()方法,图片之类的就没有
if isinstance(out, LTTextBoxHorizontal):
results = out.get_text()
content = content + results
document.add_paragraph(results)
document.save(r'C:\Users\XXX\Desktop\阿里巴巴Java开发手册1.4.0.docx')
except Exception as e:
traceback.print_exc()
return content
if __name__ == '__main__':
path=r'C:\Users\XXX\Desktop\阿里巴巴Java开发手册1.4.0.pdf'
print(parse_pdf(path))