利用python将pdf输出为txt的实例

下面为大家分享一篇利用python将pdf输出为txt的实例讲解，具有很好的参考价值，希望对大家有所帮助。一起过来看看吧

一个礼拜前一个同学问我这个事情，由于之前在参加华为的比赛，所以赛后看了一下，据说需要用到pdfminer这个包。于是安装了一下，安装过程很简单：

sudo pip install pdfminer;

中间也没有任何的报错。至于如何调用，本人也没有很好的研究过pdfminer这个库，于是开始了百度……

官方文档：http://www.unixuser.org/~euske/python/pdfminer/index.html

完全使用python编写。 （适用于2.4或更新版本）

解析，分析，并转换成PDF文档。

PDF-1.7规范的支持。 （几乎）

中日韩语言和垂直书写脚本支持。

各种字体类型（Type1、TrueType、Type3，和CID）的支持。

基本加密（RC4）的支持。

PDF与HTML转换。

纲要（TOC）的提取。

标签内容提取。

通过分组文本块重建原始的布局。

一些基本的类

PDFParser：从一个文件中获取数据

PDFDocument：保存获取的数据，和PDFParser是相互关联的

PDFPageInterpreter处理页面内容

PDFDevice将其翻译成你需要的格式

PDFResourceManager用于存储共享资源，如字体或图像。

简单的实现

读取test.pdf输出为output.txt:

# -*- coding: utf-8 -*-  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.pdfdevic<p>本文来源gao!%daima.com搞$代*!码9网(</p>e import PDFDevice from pdfminer.layout import * from pdfminer.converter import PDFPageAggregator import os fp = open('test.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):   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)):     with open('output.txt','a') as f:      f.write(x.get_text().encode('utf-8')+'\n')

相关推荐：

Python 将pdf转成图片的方法

以上就是利用python将pdf输出为txt的实例的详细内容，更多请关注搞代码gaodaima其它相关文章！

喜欢 (0)赏

[搞代码]

分享 (0)