python如何解析PDF文件

python如何解析PDF文件

python中读取pdf的方法：使用python第三方库pdfminerk3k

1.使用pdfminer库

pdfminer是一个主流的分析pdf的库。如果是python3版本，通过pip install pdfminer3k下载
对于pdfminer的学习，我参考的主要是pdf信息提取.
pdfminer将pdf解析为如图所示的形式：

但上面那篇参考文档的例子是关于LTText的，我要解析的文档基本是扫描件，即主要由LTImage组成，所以我接下来的内容主要围绕如何提取LTImage的文字。
我的思路是，事实上，LTImage就是图片，也就是说，可以将问题转换为如何提取图片的文字信息。

                        for element in lobj:
                            #lobj:pdfminer.layout.LiFigure
                            # element：pdfminer.layout.LTImage
                                text = element.stream.get_data()
                                img ='out_img.jpg'
                                with open(img,'wb')as fp:
                                    fp.write(text)

此时，out_img.jpg就是pdf其中一页。
接下来，提取图片文字。

2.提取图片文字

存在两种提取图片文字的方法;

1. 使用第三方库pytesseract
2. 调用外部api，如百度api

2.1 使用第三方库pytesseract

调用的主要问题在于安装过程有点小坑，如果要解析中文图片的话，还必须同时下载一个中文语言包。我参考的是Tesseract OCR V5.0安装教程（Windows）。
安装好后，一行代码就可以识别了

print(pytesseract.image_to_string(img, lang='chi_sim'))

缺点是识别效果很一般，如果有水印的话，会识别出一些奇怪的文字

2.2使用百度api

下载百度api

pip install baidu-aip -i http://pypi.douban.com/simple --t[rust](https://so.csdn.net/so/search?from=pc_blog_highlight&q=rust)ed-host pypi.douban.com

教程
1.我参考的主要是文字识别.
核心代码：

from aip import AipOcr
client = AipOcr(APP_ID, API_KEY, SECRECT_KEY)
# pic_path图片存储路径
i = open(pic_path, 'rb')
img = i.read()    
message = client.basicGeneral(img) #通用文字识别
i.close();
for text in message.get('words_result'):
	print(text.get('words'))
       

注意，使用通用文字识别时，记得要先获取免费的使用次数获取免费的使用次数

该方法优点是识别比较准确，缺点是有限制次数。
如果文章存在问题，欢迎指出。能力有限，欢迎指导。