import tkinter from tkinter.messagebox import * import logging, traceback 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, LTTextBox, LTTextBoxHorizontal, LTTextLine, LTPage from pdfminer.pdfinterp import PDFTextExtractionNotAllowed def getListOfFile(): fileName = "原始文件" dir_list = os.listdir(fileName) pdf_list = [] for i in dir_list: pdf_list.append(fileName + "/" + i) return pdf_list, dir_list def parse(text_path, text_name): '''解析PDF文本,并保存到TXT文件中''' fp = open(text_path, 'rb') # 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("输出文件/"+text_name+'.txt', 'ab') as f: results = x.get_text().encode() #print(results.decode()) f.write(results) f.write("\n".encode()) if __name__ == '__main__': try: get_pdf_lst, get_pdf_list_filename = getListOfFile() for i, t in zip(get_pdf_lst, get_pdf_list_filename): parse(i, t) # 开启一个窗体显示 root = tkinter.Tk() root.withdraw() d = askokcancel("完成", "已完成") except Exception: #将异常输出到日记 log = logging.getLogger("log error") fmt = logging.Formatter("%(asctime)s %(levelname)s %(message)s") # # 确定日记名称 file_handler = logging.FileHandler("error.txt") log.setLevel("DEBUG") file_handler.setFormatter(fmt) log.addHandler(file_handler) # # 将堆栈信息输入到log 的 DEBUG 内容中 log.debug(traceback.format_exc())
python 读取pdf
最新推荐文章于 2023-12-29 15:06:58 发布