Python读取PDF文件中的文本

妖狐艹你老母 2022-12-09 13:00 245阅读 0赞

# 1.安装pdfminer3k #

pdfminer3k是python处理pdf中非常好用的工具，支持多语言，先通过下面命令安装一下：

> pip install pdfminer3k

# 2.测试脚本 #

from io import StringIO
    from io import open
    from pdfminer.converter import TextConverter
    from pdfminer.layout import LAParams
    from pdfminer.pdfinterp import PDFResourceManager, process_pdf
    
    
    def read_pdf():
        with open('测试文件.pdf', "rb") as pdf:
            # 创建PDF资源管理器
            resource = PDFResourceManager()
            # 创建一个能在内存中读写str的对象
            rw_str = StringIO()
            # 创建一个PDF参数分析器
            laparam = LAParams()
            # 创建一个PDF设备对象
            device = TextConverter(resource, rw_str, laparams=laparam)
            # 解析PDF文件
            process_pdf(resource, device, pdf)
            device.close()  # 关闭设备对象
            # 获取内存中写入的str
            content = rw_str.getvalue()  # type:str
            rw_str.close()  # 关闭读写对象
            # 获取所有行
            lines = content.split("\n")  # type:list
            print(lines)
    
    
    read_pdf()

输出：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0FydGlmaWNpYWxfaWRpb3Rz_size_16_color_FFFFFF_t_70_pic_center]  
参考：  
[1. python 的StringIO][1. python _StringIO]  
[2. python读取pdf中的文本][2. python_pdf]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0FydGlmaWNpYWxfaWRpb3Rz_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/ad3411df0d46449b85297e265a509cc2.png
[1. python _StringIO]: https://blog.csdn.net/lucyxu107/article/details/82728266
[2. python_pdf]: https://blog.csdn.net/leviopku/article/details/86443426