怎么在python中使用pdfminer解析pdf文件-創(chuàng)新互聯(lián)

怎么在python中使用pdfminer解析pdf文件？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。

成都創(chuàng)新互聯(lián)從2013年開始，是專業(yè)互聯(lián)網(wǎng)技術(shù)服務(wù)公司，擁有項目網(wǎng)站設(shè)計、成都做網(wǎng)站網(wǎng)站策劃，項目實施與項目整合能力。我們以讓每一個夢想脫穎而出為使命，1280元魚臺做網(wǎng)站,已為上家服務(wù),為魚臺各地企業(yè)和個人服務(wù),聯(lián)系電話:028-86922220

pdf2txt.py從PDF文件中提取所有文本內(nèi)容。但不能識別畫成圖片的文本，這需要特征識別。對于加密的PDF你需要提供一個密碼才能解析，對于沒有提取權(quán)限的PDF文檔你得不到任何文本。

dumppdf.py把PDF文件內(nèi)容變成pseudo-XML格式。這個程序主要用于debug，但是它也可能用于提取一些有意義的內(nèi)容（比如圖片）。

官方主頁：https://euske.github.io/pdfminer/

其特征有：1、完全使用python編寫。（適用于2.4或更新版本）2、解析，分析，并轉(zhuǎn)換成PDF文檔。3、PDF-1.7規(guī)范的支持。（幾乎）4、中日韓語言和垂直書寫腳本支持。5、各種字體類型（Type1、TrueType、Type3，和CID）的支持。6、基本加密（RC4）的支持。7、PDF與HTML轉(zhuǎn)換。8、綱要（TOC）的提取。9、標(biāo)簽內(nèi)容提取。10、通過分組文本塊重建原始的布局。
如果你的Python有安裝pip模塊，就可以通過命令“python pip install pdfminer”，自動安裝pdfminer。

解析pdf文件用到的類：

PDFParser：從一個文件中獲取數(shù)據(jù)
PDFDocument：保存獲取的數(shù)據(jù)，和PDFParser是相互關(guān)聯(lián)的
PDFPageInterpreter處理頁面內(nèi)容
PDFDevice將其翻譯成你需要的格式
PDFResourceManager用于存儲共享資源，如字體或圖像。

python的工具，安裝當(dāng)然是使用pip安裝了。

pip install pdfminer

命令行方式

為了使用方便，pdfminer 提供了一個命令行工具來直接轉(zhuǎn)換pdf文件，使用方法如下：

pdf2txt.py <path_to_pdf_file>

編程方式

除了命令行方式以外，對于復(fù)雜應(yīng)用場景，pdfminer 也提供了以編程方式來轉(zhuǎn)換 pdf 文件，主要使用下面幾個類來實現(xiàn)：

PDFParser：用來解析pdf文件。
PDFDocument：用來保存 PDFParser 解析后的對象。
PDFPageInterpreter：用來處理解析后的文檔頁面內(nèi)容。
PDFResourceManager：pdf 共享資源管理器,用于存儲共享資源，如字體或圖像。

下面看一個例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage, PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams
import StringIO


class PDFUtils():

  def __init__(self):
    pass

  def pdf2txt(self, path):
    output = StringIO.StringIO()
    with open(path, 'rb') as f:
      praser = PDFParser(f)

      doc = PDFDocument(praser)

      if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed

      pdfrm = PDFResourceManager()

      laparams = LAParams()

      device = PDFPageAggregator(pdfrm, laparams=laparams)

      interpreter = PDFPageInterpreter(pdfrm, device)

      for page in PDFPage.create_pages(doc):
        interpreter.process_page(page)
        layout = device.get_result()
        for x in layout:
          if hasattr(x, "get_text"):
            content = x.get_text()
            output.write(content)

    content = output.getvalue()
    output.close()
    return content


if __name__ == '__main__':
  path = u'/tmp/abc.pdf'
  pdf_utils = PDFUtils()
  print pdf_utils.pdf2txt(path)

看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進一步的了解或閱讀更多相關(guān)文章，請關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司行業(yè)資訊頻道，感謝您對創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司的支持。

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、網(wǎng)站設(shè)計器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

網(wǎng)頁名稱：怎么在python中使用pdfminer解析pdf文件-創(chuàng)新互聯(lián)
URL網(wǎng)址：http://muchs.cn/article48/cdsihp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供響應(yīng)式網(wǎng)站、服務(wù)器托管、定制開發(fā)、靜態(tài)網(wǎng)站、Google、定制網(wǎng)站

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源：創(chuàng)新互聯(lián)

猜你還喜歡下面的內(nèi)容