python 读取 pdf 文档

这个图片是使用的流程说明，看着是有点绕的，分解来看（学自慕课）



首先使用 

open

 方法或者  

urlopen

  打开本场文档或者网络文档（一般会这么做因为考虑到文档太大，对网络服务器负担也很大）生成文档对象，以下的方法之中的网络链接已经存在了


# 获取文档对象  
pdf0 = open('sampleFORtest.pdf','rb')  
# pdf1 = urlopen('http://www.tencent.com/zh-cn/content/ir/an/2016/attachments/20160321.pdf')  

接着创建 

文档解析器

 和 

PDF文档对象

 并将他们相互关联

# 创建一个与文档关联的解析器  
parser = PDFParser(pdf0)  
  
# 创建一个PDF文档对象  
doc = PDFDocument()  
  
# 连接两者  
parser.set_document(doc)  
doc.set_parser(parser)  

对 

PDF文档对象

 进行初始化，如果文档本身进行了加密，则需要在加入 

password

 参数

# 文档初始化  
doc.initialize('')  

  


先创建 

PDF资源管理器

 和 

参数分析器

 

# 创建PDF资源管理器  
resources = PDFResourceManager()  
  
# 创建参数分析器  
laparam = LAParams()  

再创建一个 

聚合器

 ，并接收 

PDF资源管理器

  

参数分析器

 作为参数

# 创建一个聚合器，并接收资源管理器，参数分析器作为参数  
device = PDFPageAggregator(resources,laparams=laparam)  

最后创建一个 

页面解释器

 ，将 

PDF资源管理器

 和 

聚合器

 作为参数

# 创建一个页面解释器  
interpreter = PDFPageInterpreter(resources,device)  

这样 

页面解释器

 就具有对PDF文档进行编码，解释成Python能够识别的格式



最后呢，使用 

PDF文档对象

 的 

get_pages()方法

 从PDF文档中读取出页面集合，接着使用 

页面解释器

  
 对页面集合逐一读取，再调用 

聚合器

  的 

get_result()方法

 将页面逐一放置到 

layout

 之中，最后商用 

layout

 的 

get_text()方法

 获取每一页的 

text

 

for page in doc.get_pages():  
    # 使用页面解释器读取页面  
    interpreter.process_page(page)  
    # 使用聚合器读取页面页面内容  
    layout = device.get_result()  
  
    for out in layout:  
        if hasattr(out,'get_text'):     # 因为文档中不只有text文本  
            pprint(out.get_text())  

需要注意的是在PDF文档中不只有 

text

 还可能有图片等等，为了确保不出错先判断对象是否具有 

get_text()方法

 
完整的代码

# encoding:utf-8  
'''  
@author:  
@time:  
'''  
from pdfminer.converter import PDFPageAggregator  
from pdfminer.layout import LAParams  
from pdfminer.pdfparser import PDFParser, PDFDocument  
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter  
from pdfminer.pdfdevice import PDFDevice  
from pprint import pprint  
from urllib.request import urlopen  
  
# 获取文档对象  
pdf0 = open('sampleFORtest.pdf','rb')  
# pdf1 = urlopen('http://www.tencent.com/zh-cn/content/ir/an/2016/attachments/20160321.pdf')  
  
# 创建一个与文档关联的解释器  
parser = PDFParser(pdf0)  
  
# 创建一个PDF文档对象  
doc = PDFDocument()  
  
# 连接两者  
parser.set_document(doc)  
doc.set_parser(parser)  
  
# 文档初始化  
doc.initialize('')  
  
# 创建PDF资源管理器  
resources = PDFResourceManager()  
  
# 创建参数分析器  
laparam = LAParams()  
  
# 创建一个聚合器，并接收资源管理器，参数分析器作为参数  
device = PDFPageAggregator(resources,laparams=laparam)  
  
# 创建一个页面解释器  
interpreter = PDFPageInterpreter(resources,device)  
  
# 使用文档对象获取页面的集合  
for page in doc.get_pages():  
    # 使用页面解释器读取页面  
    interpreter.process_page(page)  
    # 使用聚合器读取页面页面内容  
    layout = device.get_result()  
  
    for out in layout:  
        if hasattr(out,'get_text'):     # 因为文档中不只有text文本  
            pprint(out.get_text())  

素材选取是官方提供的



运行的结果：

'Preemptive Information Extraction using Unrestricted Relation Discovery\n'  
'Yusuke Shinyama\n'  
'Satoshi Sekine\n'  
'New York University\n715, Broadway, 7th Floor\nNew York, NY, 10003\n'  
'{yusuke,sekine}@cs.nyu.edu\n'  
'Abstract\n'  
('We are trying to extend the boundary of\n'  
 'Information Extraction (IE) systems. Ex-\n'  
 'isting IE systems require a lot of time and\n'  
 'human effort to tune for a new scenario.\n'  
 'Preemptive Information Extraction is an\n'  
 'attempt to automatically create all feasible\n'  
 'IE systems in advance without human in-\n'  
 'tervention. We propose a technique called\n'  
 'Unrestricted Relation Discovery that dis-\n'  
 'covers all possible relations from texts and\n'  
 'presents them as tables. We present a pre-\n'  
 'liminary system that obtains reasonably\n'  
 'good results.\n')