1.安装
pip install pdfminer3k
2. python读取PDF文档代码分析
PDF格式不是规范格式. 尽管它被叫做"PDF文档", 但并不像word或者html文档。PDF的表现更像一张图片。PDF更像是在一张纸的各个准确的位置上把内容都摆放出来。大部分情况下,没有逻辑结构,比如句子或段落,并且不能自适应页面大小的调整。PDFMiner尝试通过猜测它们的布局来重建它们的结构,但是不保证一定能工作。我知道这样很难看,但是,PDF确实不够规范。
下面这个图片是使用流程说明,我们将其分解来看
由于PDF文件有如此大和复杂的结构,完整解析PDF文件很费时费力。
大多数PDF工作中,很多模块是不需要加进来的。因此 PDFMiner
采用了一个懒惰分析的策略,就是只分析所需要的部分。解析时候,至少
需要2个核心类,PDFParser 和 PDFDocument。这两个模块配合其他
模块来使用。
PDFParser 从文件中获取数据
PDFDocument 存储文档数据结构到内存中
PDFPageInterpreter 解析page内容
PDFDevice 把解析到的内容转化为你需要的东西
PDFResourceManager存储共享资源,例如字体或图片
首先使用 open 方法或者 urlopen 打开本场文档或者网络文档(一般会这么做因为考虑到文档太大,对网络服务器负担也很大)生成文档对象,以下的方法之中的网络链接已经存在了。
#获取文档对象
pdf0 = open('sampleFORtest.pdf','rb')#pdf1 = urlopen('http://www.tencent.com/20160321.pdf')
然后创建 文档解析器 和 PDF文档对象 并将他们相互关联
#创建一个与文档关联的解析器
parser =PDFParser(pdf0)#创建一个PDF文档对象
doc =PDFDocument()#连接两者
parser.set_document(doc)
doc.set_parser(parser)
对 PDF文档对象 进行初始化,如果文档本身进行了加密,则需要在加入 password 参数
#文档初始化
doc.initialize('')
先创建 PDF资源管理器 和 参数分析器
#创建PDF资源管理器
resources =PDFResourceManager()#创建参数分析器
laparam = LAParams()
再创建一个 聚合器 ,并接收 PDF资源管理器 参数分析器 作为参数
#创建一个聚合器,并接收资源管理器,参数分析器作为参数
device = PDFPageAggregator(resources,laparams=laparam)
最后创建一个 页面解释器 ,将 PDF资源管理器 和 聚合器 作为参数
#创建一个页面解释器
interpreter = PDFPageInterpreter(resources,device)
这样 页面解释器 就具有对PDF文档进行编码,解释成Python能够识别的格式
最后呢,使用 PDF文档对象 的 get_pages()方法 从PDF文档中读取出页面集合,接着使用 页面解释器 对页面集合逐一读取,再调用 聚合器 的 get_result()方法 将页面逐一放置到 layout 之中,最后商用 layout 的 get_text()方法 获取每一页的 text。
for page indoc.get_pages():#使用页面解释器读取页面
interpreter.process_page(page)#使用聚合器读取页面页面内容
layout =device.get_result()for out inlayout:if hasattr(out,'get_text'): #因为文档中不只有text文本
print(out.get_text())
需要注意的是在PDF文档中不只有 text 还可能有图片等等,为了确保不出错先判断对象是否具有 get_text()方法
3.结果分析
如果PDF文件中仅仅是文字,那么会完全解析出来,读出文字,存在一个TXT文档里面,但是要是出现了图片等东西,则不会读取到东西。
本文做了三个实验,分别是PDF文档里面只存在文字,只存在图片,存在文字和图片。
结果显示:
只存在文字的PDF
此程序会全部读取出文字
只存在图片的PDF
此程序不会读取出任何东西
存在图片和文字
此程序只会读出文字,不会识别图片
所以说,图片的文字识别,不能只单纯的使用pdfminer这个库,还需要图片处理等相关技术。
4.PDF解析模块
布局分析把pdf文档中每一页返回为一个 LTPage 对象. 该对象包含该页面中的子对象,格式化为树形结构。
下图显示了这些对象之间的关系。
LTPage
代表一个完整的页面。可以包含子对象,例如LTTextBox,LTFigure,LTImage,LTRect,LTCurve和LTLine.
LTTextBox
它包含 LTTextLine 对象的列表
代表一组被包含在矩形区域中的文本
需要注意的是,该box是根据几何学分析得到的,并不一定准确地表现为该文本的逻辑范围
get_text()方法可以返回文本内容
LTTextLine
包含一个LTChar对象的列表,表现为单行文本
字符表现为一行或一列,取决于文本书写方式
get_text()方法返回文本内容
LTChar / LTAnno
代表一个在文本中的真实的字母,作为一个unicode字符串
LTChar 对象有真实的分隔符
LTAnno 对象没有,是虚拟分隔符,按照两个字符之间的关系,布局分析器插入虚拟分隔符
LTFigure
代表一个被PDF Form对象使用的区域
pdf form适用于目前的图表(present figures)或者页面中植入的另一个pdf文档图片。LTFigure对象可以递归
LTImage
代表一个图形对象。可以是JPEG或者其他格式,但PDFMiner目前没有花太多精力在图形对象上。
LTLine
代表一根直线。用来分割文本或图表(figures)。
LTRect
代表一个矩形。
用来框住别的图片或者图表。
LTCurve
代表一个贝塞尔曲线。
5.实例
################### 读取PDF文档 #############################pip install pdfminer3k
from pdfminer.pdfparser importPDFDocument,PDFParser,PDFPagefrom pdfminer.pdfinterp importPDFResourceManager,PDFPageInterpreterfrom pdfminer.converter importPDFPageAggregator,PDFConverterfrom pdfminer.layout importLTLayoutContainer,LAParamsfrom pdfminer.pdfinterp importPDFTextExtractionNotAllowed#PDFParser #PDF文档分析器:从一个文件中获取数据#PDFDocument #PDF文档对象:保存获取的数据,和PDFParser是相互关联的#
#PDFPageAggregator #PDF聚合器,读取获取的文档对象#PDFResourceManager #PDF资源管理器:用于存储共享资源,如字体或图像#LAParams #pdf参数分析器:分析PDF文件参数#PDFPageInterpreter #PDF解释器,处理页面内容变成Python可以解析
#
#思路:构建文档对象---》解析文档对象---》提取所需内容
importosdefpdf_to_word(floder,password):
files=os.listdir(floder)
pdffiles=[f for f in files if f.endswith('.pdf')]for pdffile inpdffiles:# pdfPath=os.path.join(floder,pdffile)
wdPath=pdfPath.split('.')[0]
worldPath=wdPath + '.txt'
#获取文档对象
fn=open(pdfPath,'rb')#创建一个PDF文档解释器
parser=PDFParser(fn)
fn.close()#PDF文档的对象
docx=PDFDocument()#连接解释器和文档对象
parser.set_document(docx)
docx.set_parser(parser)#初始化文档
docx.initialize()#检测文档是否提供txt转换,不提供就忽略
if notdocx.is_extractable:raisePDFTextExtractionNotAllowedelse:#创建PDF资源管理器
resource=PDFResourceManager()#参数分析器
laparams=LAParams()#创建一个聚合器
device=PDFPageAggregator(resource,laparams=laparams)#创建PDF页面解释器
interpreter=PDFPageInterpreter(resource,device)
f= open(worldPath, 'w',encoding='utf-8')print('正在写入。。。。')#使用文档对象得到页面的集合
for page indocx.get_pages():#使用页面解释器来读取
interpreter.process_page(page=page)#使用聚合器来获取页面内容 ,接受该页面的LTPage对象
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 inlayout:#if (isinstance(out,LTLayoutContainer)):
#print(out.get_text())
#因为文档中不只有text文本
if hasattr(out, "get_text"):
f.write(out.get_text())
f.close()#是否打印日志
importlogging
logging.Logger.propagate=False
logging.getLogger().setLevel(logging.ERROR)
pdf_to_word(r'C:\Users\Administrator\Desktop\picture','ll')