python 解析pdf文件中的文字成字符串(pdfminer3k)

【实例简介】

首先安装这个 pip install pdfminer3k

然后将 附件中 1-297.pdf文件 放到 D:/test 目录下

然后在 python 3.6 环境下 运行 ParserPdf.py文件，即可看到如下效果

【核心代码】

#!/usr/bin/env python
# encoding: utf-8

"""
@author: guoliang
@software: PyCharm
@file: prase_pdf.py
@time: 2018/1/25
"""
import sys


from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal,LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

'''
 解析pdf 文本，保存到txt文件中
'''
path = r'D:\test\1-297.pdf'

def parse():
    contentText = ""
    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)

        # 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)):
                    with open(r'D:\test\1-297.txt', 'a',encoding='utf8') as f:
                        results = x.get_text()
                        # if r"摘 要" in results:
                        #     results.replace(r'摘 要', r'摘 要:')
                        if r"企 业 管 理" in results :
                                # or r"管 理 科 学" in results \
                                # or r"财 税 统 计" in results or r"地 质 矿 山" in results \
                                # or r"工 程 技 术" in results or r"建 筑 施 工" in results \
                                # or r"市 政 建 设" in results or r"法 律 园 地" in results \
                                # or r"社 科 论 坛" in results or r"实 用 科 技" in results \
                                # or r"信 息 技 术" in results or r"职 业 教 育" in results \
                                # or r"科 学 实 践" in results :
                            print ("--------------------栏目："   results)
                            count = 0

                        count  = 1
                        if count==2 and len(results)<60:
                           print("题目：" results)
                        if results.startswith("要要要"):
                            print("副标题："   results[3:])

                        elif count == 3 and len(results)<9:
                           print("作者：" results)
                        # contentText=contentText results
                        if count == 4 and len(results) < 9:
                            print("作者："   results)
                        # if count == 5 and len(results) < 9:
                        #     print("单位："   results)
                        if results.startswith("摘 要"):
                            list=results.split('\n')
                            str=""
                            for i in list:
                                if ("关键词") in i:
                                  break
                                str=str i
                            print("摘要："   str[4:])

                            print("关键词："  results.split('\n')[-2][4:])
                        if not results.startswith("摘 要") and len(results) >159:
                            print("正文："   results)
                        if r"参考文献" in results:
                            print("参考文献："   results)



                        f.write(results   '\n')
        return contentText
def contentParse(contentStr):
    list=contentStr.split(r'企 业 管 理')
    print (list)

if __name__ == '__main__':
   contentStr=parse()
   # contentParse(contentStr)