使用Python抽取PDF文件内容,包括文本、图像、线条等对象
2017-09-07 10:16
1151 查看
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。
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)
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。
这篇文章主要介绍抽取PDF文件内容,下一篇将会介绍如何使用抽取出来的内容和位置重新写入pdf文件中去!
相关文章推荐
- 使用iText7----生成纯文本、图片、表格内容的pdf文件
- 使用Python将TXT文本内容读取后生成指定XML格式的文件
- 使用PYTHON实现如何修改文本文件中的内容
- 使用Python将TXT文本内容读取后生成指定XML格式的文件
- Python使用reportlab将目录下所有的文本文件打印成pdf的方法
- 使用Python删除文本文件中的部分内容
- Python使用reportlab将目录下所有的文本文件打印成pdf的方法
- 利用iTextSharp提取PDF文件中的文本内容
- 提取文档中的文本内容(使用PDFBox处理PDF文档)
- 利用PDFBox提取pdf文件文本内容的分析
- 将网页上word、pdf、txt文件下载下来,解析成文本内容
- CMD文件中用FOR命令读取文本文件内容到变量,以及和PsExec搭配使用的方法和例子
- [Java] 利用xpdf库获取pdf文件的指定范围文本内容
- android使用ant自动打包(包括更改文件中的内容)
- [Java] 利用xpdf库获取pdf文件的指定范围文本内容
- 使用ITextSharp读取pdf的文本内容
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- word转换为pdf 创建临时文件时出现错误:Word未能写某些嵌入对象,因为内容或磁盘空间不足
- 如何使用python修改文本文件
- 利用Minidx Extract-Text Com组件从Word,Xls,Pdf……等文件中读取文本内容