python 打开pdf文件_Python读取PDF文件--pdfminer

作者使用的是Python3.6版本。

pdfminer在Python2和Python3中的安装和使用有一定的区别，本文以Python为例。

首先安装pdfminer

pip install pdfminer3k

官网对PDFMiner的介绍如下：

PDFMiner is a tool for extracting information from PDF documents. Unlike other PDF-related tools, it focuses entirely on getting and analyzing text data. PDFMiner allows to obtain the exact location of texts in a page, as well as other information such as fonts or lines. It includes a PDF converter that can transform PDF files into other text formats (such as HTML). It has an extensible PDF parser that can be used for other purposes instead of text analysis.

PDF的格式不是规范的，很多情况下没有逻辑结构，不能自适应页面大小的调整。PDFMiner是通过尝试猜测PDF的布局来重建其结构，有时候效果并不理想。

import importlib

import sys

import time

importlib.reload(sys)

time1 = time.time()

import os.path

from pdfminer.pdfparser import PDFParser,PDFDocument

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

from pdfminer.converter import PDFPageAggregator

from pdfminer.layout import LTTextBoxHorizontal,LAParams

from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

def parse(pdf_path,txt_path):

'''解析PDF文本，并保存到TXT文件中'''

fp = open(text_path,'rb')

# pdf1 = urlopen('http://www.tencent.com/20160321.pdf')

#用文件对象创建一个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

else:

#创建PDF，资源管理器，来共享资源

rsrcmgr = PDFResourceManager()

#创建一个PDF设备对象

laparams = LAParams()

device = PDFPageAggregator(rsrcmgr,laparams=laparams)

#创建一个PDF解释其对象

interpreter = PDFPageInterpreter(rsrcmgr,device)

#循环遍历列表，每次处理一个page内容

# doc.get_pages() 获取page列表

for page in doc.get_pages():

interpreter.process_page(page)

#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 x in layout:

if(isinstance(x,LTTextBoxHorizontal)):

with open(txt_path,'a') as f:

results = x.get_text()

print(results)

f.write(results +"\n")

if __name__ == '__main__':

pdf_path = './test.pdf'

txt_path = './test.txt'

parse(pdf_path,txt_path)

time2 = time.time()

print("总共消耗时间为:",time2-time1)

上述代码只能解析正常的PDF内容，在实际应用场景中，很多PDF文档可能是加密的，如何处理解密的PDF文件，也是我们需要get的技能。

pydf2这个库能够实现对PDF文件进行加密和解密。