Python提取PDF内容（文本、图像、线条等）

使用Python抽取PDF文件内容，包括文本、图像、线条等对象

摘要：这篇文章主要介绍如何使用Python【3.6版本】中的PDFminer3k 模块来抽取PDF内容，包括文本、图像、曲线等。

 

作者：yooongchun 

微信公众号：yooongchun小屋 

 

 

1.安装PDFminer3k

使用pip 命令安装

 

pip install pdfminer3k

 

2.编写测试

你可以在这里获得官方参考：PDFMiner

如果你不喜欢看英文的官方文档，这里的翻译也许对你有帮助：中文PDFMiner文档

下面的程序，我拓展了官方给出的例子，你可以通过这个例子统计出来你的pdf文件一共包含哪些内容，比如文本框，曲线，图片等

 

#!/usr/bin/python

# -*- coding: utf-8 -*-

 

__author__ = 'yooongchun'

 

import sys

import importlib

importlib.reload(sys)

 

from pdfminer.pdfparser import PDFParser,PDFDocument

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

from pdfminer.converter import PDFPageAggregator

from pdfminer.layout import *

from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

 

'''

解析pdf文件，获取文件中包含的各种对象

'''

 

 

# 解析pdf文件函数

def parse(pdf_path):

    fp = open(pdf_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

    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)

 

        # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量

        num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0

 

        # 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

            num_page += 1  # 页面增一

            interpreter.process_page(page)

            # 接受该页面的LTPage对象

            layout = device.get_result()

            for x in layout:

                if isinstance(x,LTImage):  # 图片对象

                    num_image += 1

                if isinstance(x,LTCurve):  # 曲线对象

                    num_curve += 1

                if isinstance(x,LTFigure):  # figure对象

                    num_figure += 1

                if isinstance(x, LTTextBoxHorizontal):  # 获取文本内容

                    num_TextBoxHorizontal += 1  # 水平文本框对象增一

                    # 保存文本内容

                    with open(r'test.txt', 'a') as f:

                        results = x.get_text()

                        f.write(results + '\n')

        print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'曲线数：%s\n'%num_curve,'水平文本框：%s\n'

              %num_TextBoxHorizontal)

 

 

if __name__ == '__main__':

    pdf_path = r'C:\Users\fanyu\Desktop\pdf\test.pdf'

    parse(pdf_path)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

其实在上面的layout 对象中有更多的内容可提取，这个自己按需来写就好，然后对曲线，文本框等对象，都会有位置属性，可直接获取,自己debug 查看以下对象属性获取即可。

--------------------- 

作者：yooongchun 

来源：CSDN 

原文：https://blog.csdn.net/zyc121561/article/details/77877912 

版权声明：本文为博主原创文章，转载请附上博文链接！