python读取pdf文档_python解析PDF文档

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')