python怎样读取pdf的本文内容
Admin 2021-05-21 群英技术资讯 477 次浏览
python怎样读取pdf本文内容?一些新手可能对于python读取pdf文本内容不是很清楚,因此下面给大家分享python读取pdf文档的实现代码,有这方面学习需要的朋友可以参考学习。
一、 准备工作
安装对应的库 pip install pdfminer3k pip install pdfminer.six
二、部分变量的含义
PDFDocument(pdf文档对象)
PDFPageInterpreter(解释器)
PDFParser(pdf文档分析器)
PDFResourceManager(资源管理器)
PDFPageAggregator(聚合器)
LAParams(参数分析器)
三、PDFMiner类之间的关系
PDFMiner的相关文档(点击跳转)
四、代码实现
#!/usr/bin/env python # -*- coding:utf-8 -*- # datetime:2021/3/17 12:12 # software: PyCharm # version: python 3.9.2 def changePdfToText(filePath): """ 解析pdf 文本,保存到同名txt文件中 param: filePath: 需要读取的pdf文档的目录 introduced module: from pdfminer.pdfpage import PDFPage from pdfminer.pdfparser import PDFParser from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import PDFPageAggregator from pdfminer.layout import LAParams from pdfminer.pdfdocument import PDFDocument, PDFTextExtractionNotAllowed import os.path """ file = open(filePath, '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(file) # 创建一个PDF文档 doc = PDFDocument(praser, '') # praser :上面创建的pdf文档分析器 ,第二个参数是密码,设置为空就好了 # 连接分析器 与文档对象 praser.set_document(doc) # 检测文档是否提供txt转换,不提供就忽略 if not doc.is_extractable: raise PDFTextExtractionNotAllowed # 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) result = [] # 内容列表 # 循环遍历列表,每次处理一个page的内容 for page in PDFPage.create_pages(doc): interpreter.process_page(page) # 接受该页面的LTPage对象 layout = device.get_result() for x in layout: if hasattr(x, "get_text"): result.append(x.get_text()) fileNames = os.path.splitext(filePath) # 分割 # 以追加的方式打开文件 with open(fileNames[0] + '.txt', 'a', encoding="utf-8") as f: results = x.get_text() # print(results) 这个句可以取消注释就可以在控制台将所有内容输出了 f.write(results) # 写入文件 # 调用示例 : # path = u'E:\\1.pdf' # changePdfToText(path)
from PyPDF2 import PdfFileReader # 定义获取pdf内容的方法 def getPdfContent(filename): # 获取PdfFileReader对象 pdf = PdfFileReader(open(filename, "rb")) content = "" #content是输出文本 for i in range(0,pdf.getNumPages()): #遍历每一页 pageObj = pdf.getPage(i) try: extractedText = pageObj.extractText()#导出每一页的内容,如果当前页有图片的话就跳过 content += extractedText + "\n" except BaseException: pass return content.encode("ascii", "ignore") # 将获取的内容写入txt文件 with open("test.txt","w") as f: count=0 #count的作用是限制每一行的文字个数,本人设置的是十行 #将获取的文本变成字符串并用空白隔开 for item in str(getPdfContent("test.pdf")).split(" "): # 如果当前文字以句号结尾就换行 if item[-1]==".": f.write(item+"\n") count=0 else: f.write(item+" ") count +=1 # 如果写了十个字就换行 if count==10: f.write("\n") # 重置count count = 0
关于python怎样读取pdf文本内容的介绍就到这,希望对大家学习有一定的帮助,想要了解更多python读取pdf内容的方法,大家可以继续关注其他相关文章。
文本转载自脚本之家
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:mmqy2019@163.com进行举报,并提供相关证据,查实之后,将立刻删除涉嫌侵权内容。
猜你喜欢
这篇文章主要为大家介绍了python神经网络tfrecords文件的写入读取及内容解析,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
很多Python新手在去重的使用会使用set list,这虽然去重了,但是顺序也被打乱了,如果想要保留顺序,那么要怎样做呢?下面就给大家分享关于Python中list去重而且保留顺序的方法。
本文主要介绍了python beautifulsoup4模块详情,BeautifulSoup4是一款python解析库,主要用于解析HTML和XML,在爬虫知识体系中解析 HTML 会比较多一些,下文更多相关内容,需要的小伙伴可以参考一下
IndentationError:unexpectedindent Python中强制缩进,,IndentationError:unexpectedindent缩进错误这类错误非常常见,一般都是由于tab在不同的平台上占用长度不同导致,有些事程序员自己直接使用空格或其他来顶替tab。解决办法非常简单,在所在平台上使用标准的tab进行缩进,就OK了。Unicode
这篇文章主要介绍了Python数据类型、进制转换、字符串格式化,Python2中区分整型int、长整型long,Python3中只有统称为整型int,本文给大家介绍的非常详细,需要的朋友参考下吧
成为群英会员,开启智能安全云计算之旅
立即注册Copyright © QY Network Company Ltd. All Rights Reserved. 2003-2020 群英 版权所有
增值电信经营许可证 : B1.B2-20140078 粤ICP备09006778号 域名注册商资质 粤 D3.1-20240008