pdf
读取文本
读取公式时格式会错乱
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
def parse():
#rb以二进制读模式打开本地pdf文件
fn = open('《违纪测量:违纪查处量与执纪力度、违纪存量的现实关系—解读违反中央八项规定精神问题的数据特征》+吕雄.pdf','rb')
#创建一个pdf文档分析器
parser = PDFParser(fn)
#创建一个PDF文档
doc = PDFDocument()
#连接分析器 与文档对象
parser.set_document(doc)
doc.set_parser(parser)
# 提供初始化密码doc.initialize("lianxipython")
# 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
resource = PDFResourceManager()
#创建一个PDF参数分析器
laparams = LAParams()
#创建聚合器,用于读取文档的对象
device = PDFPageAggregator(resource,laparams=laparams)
#创建解释器,对文档编码,解释成Python能够识别的格式
interpreter = PDFPageInterpreter(resource,device)
# 循环遍历列表,每次处理一页的内容
# doc.get_pages() 获取page列表
for page in doc.get_pages():
#利用解释器的process_page()方法解析读取单独页数
interpreter.process_page(page)
#使用聚合器get_result()方法获取内容
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
for out in layout:
#判断是否含有get_text()方法,获取我们想要的文字
if hasattr(out,"get_text"):
print(out.get_text())
with open('test.txt','a') as f:
f.write(out.get_text()+'\n')
if __name__ == '__main__':
parse()