pytho3 提取pdf文件的文本内容

痛定思痛。 2022-11-05 05:19 196阅读 0赞

### 文章目录 ###

*   *  1、安装模块：
     *  2、代码提取pdf文件
     *  3、如果报错：
     *   *  1、报错1 WARNING:root:UniGB-UCS2-H：
         *   *  解决方法：

## 1、安装模块： ##

pip install pdfminer3k

## 2、代码提取pdf文件 ##

# pip install pdfminer3k
    
    from pdfminer.pdfparser import PDFParser, PDFDocument
    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter, PDFTextExtractionNotAllowed
    from pdfminer.converter import PDFPageAggregator
    from pdfminer.layout import LTTextBoxHorizontal, LAParams, LTTextLineHorizontal, LTFigure, LTRect, LTLine, LTCurve
    
    
    
    
    def get_one_pdf_text(pd_file_bytes):
        text = ""
        # pdf文件解析对象
        parser = PDFParser(pd_file_bytes)
    
        # print(parser)
        # pdf文档对象
        document = PDFDocument()
        parser.set_document(document)
        document.set_parser(parser)
    
        # 初始化文档密码
        document.initialize()
        if document.is_extractable:
            print(True)
        else:
            raise PDFTextExtractionNotAllowed
        # 存储文档资源
        src = PDFResourceManager()
    
        # 设备对象
        device = PDFPageAggregator(src, laparams=LAParams())
    
        # 解释器对象
    
        inter = PDFPageInterpreter(src, device)
    
        pages = document.get_pages()
    
        for page in pages:
            # print(page.contents)
            inter.process_page(page)
            layout = device.get_result()
            for x in layout:
                if isinstance(x, LTTextBoxHorizontal):
                    # print(str(x.get_text()))
                    text += x.get_text()
                # t = dir(x)
                # print(t)
                # print(type(x))
        return text
    
    
    if __name__ == '__main__':
        # 文件对象
        pd_file = open("520100018072149302.pdf", "rb")
        pdf_text = get_one_pdf_text(pd_file)
        print("pdf_text",pdf_text)

## 3、如果报错： ##

### 1、报错1 WARNING:root:UniGB-UCS2-H： ###

提取正文报错：WARNING:root:UniGB-UCS2-H  
参考文章：https://juejin.cn/post/6844903838395170830

#### 解决方法： ####

[蓝奏云备份，防止给他换下载过慢：][Link 1]

[码云备份][Link 2]

[项目地址：https://github.com/euske/pdfminer][https_github.com_euske_pdfminer]

将GitHub项目下载下来，将里面的：`pdfminer\cmap`下面的所有文件，复制到：

安装Python模块目录下：  
`D:\python_work_tools\Python37\Lib\site-packages\pdfminer\cmap`

这样问题就解决了。

[Link 1]: https://wwa.lanzous.com/ihd7cnfzgaj
[Link 2]: https://gitee.com/zhaojiafu323/pdfminer
[https_github.com_euske_pdfminer]: https://github.com/euske/pdfminer