简单的数据处理(一)——python PDF文件转txt

PDF文件转txt

基于Python3.7版本实现

数据是我们在网上找到的一篇pdf格式的报告，我把数据放在了网盘里，大家有需要的自行下载
地址：链接:https://pan.baidu.com/s/1pmwugCqb_VTDMHVZm2Yu3g 密码:wk2a
通过python3 中的pdfminer库实现
安装命令：**pip install pdfminer **

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.layout import *
from pdfminer.converter import PDFPageAggregator


fp = open('那些正在启航的行业和岗位-前瞻产业研究院-2019.5-100页.pdf', "rb")
# 来创建一个pdf文档分析器
parser = PDFParser(fp)
# 创建一个PDF文档对象存储文档结构
document = PDFDocument(parser)
# 检查文件是否允许文本提取
if not document.is_extractable:
    raise PDFTextExtractionNotAllowed
else:
    # 创建一个PDF资源管理器对象来存储共赏资源
    rsrcmgr = PDFResourceManager()
    # 设定参数进行分析
    laparams = LAParams()
    # 创建一个PDF设备对象
    # device=PDFDevice(rsrcmgr)
    device = PDFPageAggregator(rsrcmgr, laparams=laparams)
    # 创建一个PDF解释器对象
    interpreter = PDFPageInterpreter(rsrcmgr, device)

    # 处理每一页
    for page in PDFPage.create_pages(document):
        print(page)
        interpreter.process_page(page)
        # 接受该页面的LTPage对象
        layout = device.get_result()
        for x in layout:
            if (isinstance(x, LTTextBoxHorizontal)):
                txt = x.get_text()
                with open("result.txt", "a") as f:
                    f.write(txt)
                    f.write("\n")

处理前：

处理后：

后续会有简单的数据处理教程