python处理pdf实例_python 解析pdf文件中的文字成字符串(pdfminer3k)

【实例简介】

首先安装这个 pip install pdfminer3k

然后将 附件中 1-297.pdf文件 放到 D:/test 目录下

然后在 python 3.6 环境下 运行 ParserPdf.py文件，即可看到如下效果

【实例截图】

【核心代码】

#!/usr/bin/env python

# encoding: utf-8

"""

@author: guoliang

@software: PyCharm

@file: prase_pdf.py

@time: 2018/1/25

"""

import sys

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

'''

解析pdf 文本，保存到txt文件中

'''

path = r'D:\test\1-297.pdf'

def parse():

contentText = ""

fp = open(path, 'rb') # 以二进制读模式打开

#用文件对象来创建一个pdf文档分析器

praser = PDFParser(fp)

# 创建一个PDF文档

doc = PDFDocument()

# 连接分析器 与文档对象

praser.set_document(doc)

doc.set_parser(praser)

# 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 来管理共享资源

rsrcmgr = PDFResourceManager()

# 创建一个PDF设备对象

laparams = LAParams()

device = PDFPageAggregator(rsrcmgr, laparams=laparams)

# 创建一个PDF解释器对象

interpreter = PDFPageInterpreter(rsrcmgr, device)

# 循环遍历列表，每次处理一个page的内容

for page in doc.get_pages(): # doc.get_pages() 获取page列表

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(r'D:\test\1-297.txt', 'a',encoding='utf8') as f:

results = x.get_text()

# if r"摘 要" in results:

# results.replace(r'摘 要', r'摘 要:')

if r"企 业 管 理" in results :

# or r"管 理 科 学" in results \

# or r"财 税 统 计" in results or r"地 质 矿 山" in results \

# or r"工 程 技 术" in results or r"建 筑 施 工" in results \

# or r"市 政 建 设" in results or r"法 律 园 地" in results \

# or r"社 科 论 坛" in results or r"实 用 科 技" in results \

# or r"信 息 技 术" in results or r"职 业 教 育" in results \

# or r"科 学 实 践" in results :

print ("--------------------栏目：" results)

count = 0

count = 1

if count==2 and len(results)<60:

print("题目：" results)

if results.startswith("要要要"):

print("副标题：" results[3:])

elif count == 3 and len(results)<9:

print("作者：" results)

# contentText=contentText results

if count == 4 and len(results) < 9:

print("作者：" results)

# if count == 5 and len(results) < 9:

# print("单位：" results)

if results.startswith("摘 要"):

list=results.split('\n')

str=""

for i in list:

if ("关键词") in i:

break

str=str i

print("摘要：" str[4:])

print("关键词：" results.split('\n')[-2][4:])

if not results.startswith("摘 要") and len(results) >159:

print("正文：" results)

if r"参考文献" in results:

print("参考文献：" results)

f.write(results '\n')

return contentText

def contentParse(contentStr):

list=contentStr.split(r'企 业 管 理')

print (list)

if __name__ == '__main__':

contentStr=parse()

# contentParse(contentStr)