今天由于某种原因需要将pdf中的文本提取出来，就去搜了下资料，发现PDFMiner是针对
内容提取的，虽然最后发现pdf里面的文本全都是图片，就没整成功，不过试了个文本可复制的
那种pdf文件，发现还是蛮好用的。
PDFMiner----python的解析器和分析器
1.官方文档：http://www.unixuser.org/~euske/python/pdfminer/index.html
2.特征
3.安装
注：使用源码安装，并且处理中日韩语言的时候还需要一个额外的安装步骤
4.用法
4.1解析pdf文件用到的类：
PDFMiner的类之间的关系图：
4.2基本用法
4.2.1解析pdf文件
1 from pdfminer.pdfparser import PDFParser 2 from pdfminer.pdfdocument import PDFDocument 3 from pdfminer.pdfpage import PDFPage 4 from pdfminer.pdfpage import PDFTextExtractionNotAllowed 5 from pdfminer.pdfinterp import PDFResourceManager 6 from pdfminer.pdfinterp import PDFPageInterpreter 7 from pdfminer.pdfdevice import PDFDevice 8 9 10 fp = open(‘mypdf.pdf‘, ‘rb‘) 11 #创建一个PDF文档解析器对象 12 parser = PDFParser(fp) 13 #创建一个PDF文档对象存储文档结构 14 #提供密码初始化，没有就不用传该参数 15 document = PDFDocument(parser, password) 16 #检查文件是否允许文本提取 17 if not document.is_extractable: 18 raise PDFTextExtractionNotAllowed 19 #创建一个PDF资源管理器对象来存储共享资源 20 rsrcmgr = PDFResourceManager() 21 #创建一个pdf设备对象 22 device = PDFDevice(rsrcmgr) 23 #创建一个PDF解析器对象 24 interpreter = PDFPageInterpreter(rsrcmgr, device) 25 #处理文档当中的每个页面 26 for page in PDFPage.create_pages(document): 27 interpreter.process_page(page)
当然这只是进行解析，还可进行布局分析，我的数据就是从这一步的到的
4.2.2布局分析
首先对第一步的代码进行修改和增加
1 from pdfminer.layout import LAParams 2 from pdfminer.converter import PDFPageAggregator 3 4 # 设定参数进行分析 5 laparams = LAParams() 6 # 创建一个PDF页面聚合对象 7 device = PDFPageAggregator(rsrcmgr, laparams=laparams) 8 interpreter = PDFPageInterpreter(rsrcmgr, device) 9 for page in PDFPage.create_pages(document): 10 interpreter.process_page(page) 11 # 接收该页面的LTPage对象 12 layout = device.get_result()
布局分析返回的PDF文档中的每个页面LTPage对象。这个对象和页内包含的子对象，形成一个树结构
如图所示：
LTCurve:表示一个通用的Bezier曲线4.2.3获得目录（纲要）
1 from pdfminer.pdfparser import PDFParser 2 from pdfminer.pdfdocument import PDFDocument 3 4 # Open a PDF document. 5 fp = open(‘mypdf.pdf‘, ‘rb‘) 6 parser = PDFParser(fp) 7 document = PDFDocument(parser, password) 8 9 # Get the outlines of the document. 10 outlines = document.get_outlines() 11 for (level,title,dest,a,se) in outlines: 12 print (level, title)
5.个人使用
1 # -*- coding: utf-8 -*- 2 from pdfminer.pdfparser import PDFParser 3 from pdfminer.pdfdocument import PDFDocument 4 from pdfminer.pdfpage import PDFPage 5 from pdfminer.pdfpage import PDFTextExtractionNotAllowed 6 from pdfminer.pdfinterp import PDFResourceManager 7 from pdfminer.pdfinterp import PDFPageInterpreter 8 from pdfminer.pdfdevice import PDFDevice 9 from pdfminer.layout import * 10 from pdfminer.converter import PDFPageAggregator 11 import os 12 os.chdir(r‘F:\test‘) 13 fp = open(‘python.pdf‘, ‘rb‘) 14 #来创建一个pdf文档分析器 15 parser = PDFParser(fp) 16 #创建一个PDF文档对象存储文档结构 17 document = PDFDocument(parser) 18 # 检查文件是否允许文本提取 19 if not document.is_extractable: 20 raise PDFTextExtractionNotAllowed 21 else: 22 # 创建一个PDF资源管理器对象来存储共赏资源 23 rsrcmgr=PDFResourceManager() 24 # 设定参数进行分析 25 laparams=LAParams() 26 # 创建一个PDF设备对象 27 # device=PDFDevice(rsrcmgr) 28 device=PDFPageAggregator(rsrcmgr,laparams=laparams) 29 # 创建一个PDF解释器对象 30 interpreter=PDFPageInterpreter(rsrcmgr,device) 31 # 处理每一页 32 for page in PDFPage.create_pages(document): 33 interpreter.process_page(page) 34 # 接受该页面的LTPage对象 35 layout=device.get_result() 36 for x in layout: 37 if(isinstance(x,LTTextBoxHorizontal)): 38 with open(‘a.txt‘,‘a‘) as f: 39 f.write(x.get_text().encode(‘utf-8‘)+‘\n‘)
将书中的文本内容得到了，只是简单的使用，官方文档中讲解的很全面，在此只是做个小总结。
注：转载请注明出处
原文：http://www.cnblogs.com/RoundGirl/p/4979267.html