python解析pdf pdfigure,数据分析入门——python提取PDF文本内容

说真的，从PDF里面搜索关键字并提取上下文真的是个噩梦，PDF是个面向打印的文档格式，从里面抓数据太痛苦了，搞了一天已经想吐了。不过我还是沉淀了一点点东西。

python解析PDF文档大致有以下几个库：

PDFMiner

pdfplumer

ta

我们主要是提取文本内容，所以推荐使用pdfminer。

安装

默认使用python3.7的环境， 如果是2.7的请酌情处理。

pip install pdfminer

pip install pdfminer3k

pip install pdfminer.six

可能会用到的的相关类：

PDFParser: 从一个文件中获取数据。

PDFDocument: 保存获取的数据，和PDFParser是相互关联的。

PDFPageInterpreter: 处理页面内容。

PDFDevice: 将其翻译成你需要的格式。

PDFResourceManager: 用于存储共享资源，如字体或图像。

准备

这里有一个很重要的关于PDF文档结构的知识，有助于你用代码筛选出你想要的东西：

LTPage :表示整个页。可能会含有LTTextBox，LTFigure，LTImage，LTRect，LTCurve和LTLine子对象。

LTTextBox:表示一组文本块可能包含在一个矩形区域。注意此box是由几何分析中创