python基于pdfminer库提取pdf文字代码实例
2019-08-15 14:52
1671 查看
安装pdfminer 库
windows 下安装pdfminer3k
pip install pdfminer3k
Liunx 下安装pdfminer
pip install pdfminer
代码
from pdfminer.pdfparser import PDFParser, PDFDocument from pdfminer.converter import PDFPageAggregator from pdfminer.layout import LAParams, LTTextBoxHorizontal from pdfminer.pdfinterp import PDFTextExtractionNotAllowed, PDFResourceManager, PDFPageInterpreter def pdfParse(path): """ pdf文字提取 :param path:文件路径 :return: 每页结果列表 """ fp = open(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 praser = PDFParser(fp) # 创建一个PDF文档 doc = PDFDocument() # 连接分析器 与文档对象 praser.set_document(doc) doc.set_parser(praser) # 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) #每页文字内容 results = [] # 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 interpreter.process_page(page) # 接受该页面的LTPage对象 layout = device.get_result() # 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性, for x in layout: if isinstance(x, LTTextBoxHorizontal): results.append(x.get_text()) return results
该库是根据 迭代pdf每一页 进行文字提取, 也可以识别判断页码的功能
另外还有一个pypdf2 库也可以识别但是感觉不如这个准确
以上就是本文的全部内容,希望对大家的学习有所帮助
您可能感兴趣的文章:
相关文章推荐
- Python30行代码实现对pdf文字内容的提取
- Python处理PDF及生成多层PDF实例代码
- Python中使用PyQt把网页转换成PDF操作代码实例
- [python] 基于词云的关键词提取:wordcloud的使用、源码分析、中文词云生成和代码重写
- Python使用PDFMiner解析PDF代码实例
- 将Python字符串生成PDF的实例代码详解
- 基于Python实现的扫雷游戏实例代码
- Python实现截取PDF文件中的几页代码实例
- 代码笔记 | 基于Python的净值数据接口调用代码实例
- 基于Python实现的扫雷游戏实例代码
- 基于Python socket的端口扫描程序实例代码
- Python heapq使用详解及实例代码
- Python登录并获取CSDN博客所有文章列表代码实例
- Python数据可视化操作方法及实现代码实例(文中有福利)
- 使用Python脚本将文字转换为图片的实例分享
- [Android实例] 基于ffmpeg的Android播放器开源代码
- kafka+spark streaming代码实例(pyspark+python)
- python聊天程序实例代码分享
- python sklearn库实现简单逻辑回归的实例代码