Python PDFMiner 解析pdf 文本

先贴一个url 里面有较详细的说明

http://cache.baidu.com/c?m=9d78d513d98117fb07b6c8294d029026475bda257a95c7140cc98e0ac02608071d35bfe866794d43c4c50b3a41fa54&p=c6759a41c79c0efc57eace2811&user=baidu&fm=sc&query=pdfminer&qid=d09e6f0c0f78a423&p1=7

 

或是

http://denis.papathanasiou.org/?p=343

 

 

下面是上面链接中的一个示例代码

# -*- coding: utf-8 -*- import sys reload(sys) sys.setdefaultencoding('utf-8') 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 * fp = open('test.pdf', 'rb') #用文件对象来创建一个pdf文档分析器 parser = PDFParser(fp) # 创建一个 PDF 文档 doc = PDFDocument() # 连接分析器 与文档对象 parser.set_document(doc) doc.set_parser(parser) # 提供初始化密码 # 如果没有密码 就创建一个空的字符串 doc.initialize() # 检测文档是否提供txt转换，不提供就忽略 if not doc.is_extractable: raise PDFTextExtractionNotAllowed # 创建PDf 资源管理器 来管理共享资源 rsrcmgr = PDFResourceManager() # 创建一个PDF设备对象 laparams = LAParams() device = PDFPageAggregator(rsrcmgr, laparams=laparams) interpreter = PDFPageInterpreter(rsrcmgr, device) # 处理文档对象中每一页的内容 # doc.get_pages() 获取page列表 # 循环遍历列表，每次处理一个page的内容 # 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 i, page in enumerate(doc.get_pages()): interpreter.process_page(page) layout = device.get_result() for x in layout: if(isinstance(x, LTTextBoxHorizontal)): if(len(x.text) > 100): string = x.text.replace('/n', ' ') print string print '/n/n/n/n'