读取PDF文档

#coding=utf-8
#导入开发包
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams

#打开模式
"""
w :以写方式打开
a :以追加模式打开
r+:以读写模式打开
w+:以读写模式打开(参见w)
a+:以读写模式打开(参见a)
rb:以二进制读模式打开
wb:以二进制写模式打开(参见w)
ab:以二进制追加模式打开(参见a)
rb+:以二进制读写模式打开(参见r+)
wb+:以二进制读写模式打开(参见w+)
ab+:以二进制读写模式打开(参见a+)
"""

#获取文档的对象
fp=open("naacl06-shinyama.pdf","rb")

#创建一个与文档相关的解释器
parser=PDFParser(fp)

#创建一个PDF文档对象
doc=PDFDocument()

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

#初始化文档对象,文档若有密码写入，无密码则为空
doc.initialize("")

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

#创建参数分析器。要分析pDF有哪些内容，文本，图片等
#Alt+enter自动导入包
laparam=LAParams()

#创建一个聚合器，将资源管理器和参数分析器都放在聚合器里
device=PDFPageAggregator(resource,laparams=laparam)

#创建PDF页面解释器,将资源管理器和聚合器放入页面解释器，进行解释
interpreter=PDFPageInterpreter(resource,device)

#使用文档对象得到页面的集合
#得到每一页
for page in doc.get_pages():
    #使用页面解释器来读取页,因为页面解释器是接收了一个聚合器的，故下面可以直接用聚合器来获取内容
    interpreter.process_page(page)

    #使用聚合器来获取内容
    layout=device.get_result()

    for out in layout:
        #使用下面的方法，到图片或者下划线时会报错，程序会中断，因为它们没有get_text()方法
        #为使程序运行下去可以加个判断
        # print(out.get_text())
        if hasattr(out,"get_text"):
            print(out.get_text())