python解析PDF文档，,1.安装pip in

python解析PDF文档，,1.安装pip in

1.安装

pip install pdfminer3k

2. python读取PDF文档代码分析

　　PDF格式不是规范格式. 尽管它被叫做"PDF文档", 但并不像word或者html文档。PDF的表现更像一张图片。PDF更像是在一张纸的各个准确的位置上把内容都摆放出来。大部分情况下，没有逻辑结构，比如句子或段落，并且不能自适应页面大小的调整。PDFMiner尝试通过猜测它们的布局来重建它们的结构，但是不保证一定能工作。我知道这样很难看，但是，PDF确实不够规范。

　　下面这个图片是使用流程说明，我们将其分解来看

由于PDF文件有如此大和复杂的结构，完整解析PDF文件很费时费力。大多数PDF工作中，很多模块是不需要加进来的。因此 PDFMiner采用了一个懒惰分析的策略，就是只分析所需要的部分。解析时候，至少需要2个核心类，PDFParser 和 PDFDocument。这两个模块配合其他模块来使用。   PDFParser     从文件中获取数据 PDFDocument   存储文档数据结构到内存中 PDFPageInterpreter 解析page内容 PDFDevice    把解析到的内容转化为你需要的东西 PDFResourceManager存储共享资源，例如字体或图片

　　首先使用open方法或者urlopen打开本场文档或者网络文档（一般会这么做因为考虑到文档太大，对网络服务器负担也很大）生成文档对象，以下的方法之中的网络链接已经存在了。

# 获取文档对象 pdf0 = open(‘sampleFORtest.pdf‘,‘rb‘) # pdf1 = urlopen(‘http://www.tencent.com/20160321.pdf‘)

然后创建文档解析器和PDF文档对象并将他们相互关联

# 创建一个与文档关联的解析器 parser = PDFParser(pdf0)    # 创建一个PDF文档对象 doc = PDFDocument()    # 连接两者 parser.set_document(doc) doc.set_parser(parser) 

对PDF文档对象进行初始化，如果文档本身进行了加密，则需要在加入password参数

# 文档初始化 doc.initialize(‘‘) 

　　先创建PDF资源管理器和参数分析器

# 创建PDF资源管理器 resources = PDFResourceManager()    # 创建参数分析器 laparam = LAParams() 

再创建一个聚合器，并接收PDF资源管理器参数分析器作为参数

# 创建一个聚合器，并接收资源管理器，参数分析器作为参数 device = PDFPageAggregator(resources,laparams=laparam)

最后创建一个页面解释器，将PDF资源管理器和聚合器作为参数

# 创建一个页面解释器 interpreter = PDFPageInterpreter(resources,device) 

这样页面解释器就具有对PDF文档进行编码，解释成Python能够识别的格式

　　最后呢，使用PDF文档对象的get_pages()方法从PDF文档中读取出页面集合，接着使用页面解释器 对页面集合逐一读取，再调用聚合器的get_result()方法将页面逐一放置到layout之中，最后商用layout的get_text()方法获取每一页的text。

for page in doc.get_pages():     # 使用页面解释器读取页面     interpreter.process_page(page)     # 使用聚合器读取页面页面内容     layout = device.get_result()        for out in layout:         if hasattr(out,‘get_text‘):     # 因为文档中不只有text文本             print(out.get_text()) 

　需要注意的是在PDF文档中不只有text还可能有图片等等，为了确保不出错先判断对象是否具有get_text()方法

3.结果分析

　　如果PDF文件中仅仅是文字，那么会完全解析出来，读出文字，存在一个TXT文档里面，但是要是出现了图片等东西，则不会读取到东西。

　　本文做了三个实验，分别是PDF文档里面只存在文字，只存在图片，存在文字和图片。

　　结果显示：

　　所以说，图片的文字识别，不能只单纯的使用pdfminer这个库，还需要图片处理等相关技术。

4.PDF解析模块

布局分析把pdf文档中每一页返回为一个 LTPage 对象. 该对象包含该页面中的子对象，格式化为树形结构。

下图显示了这些对象之间的关系。

LTPage

代表一个完整的页面。可以包含子对象，例如LTTextBox,LTFigure,LTImage,LTRect,LTCurve和LTLine.

LTTextBox
它包含 LTTextLine 对象的列表
代表一组被包含在矩形区域中的文本
需要注意的是，该box是根据几何学分析得到的，并不一定准确地表现为该文本的逻辑范围
get_text()方法可以返回文本内容

LTTextLine
包含一个LTChar对象的列表，表现为单行文本
字符表现为一行或一列，取决于文本书写方式
get_text()方法返回文本内容

LTChar / LTAnno
代表一个在文本中的真实的字母，作为一个unicode字符串
LTChar 对象有真实的分隔符
LTAnno 对象没有，是虚拟分隔符，按照两个字符之间的关系，布局分析器插入虚拟分隔符

LTFigure
代表一个被PDF Form对象使用的区域
pdf form适用于目前的图表(present figures)或者页面中植入的另一个pdf文档图片。LTFigure对象可以递归

LTImage
代表一个图形对象。可以是JPEG或者其他格式，但PDFMiner目前没有花太多精力在图形对象上。

LTLine
代表一根直线。用来分割文本或图表(figures)。

LTRect
代表一个矩形。
用来框住别的图片或者图表。

LTCurve
代表一个贝塞尔曲线。

5.实例

###################  读取PDF文档   ############################    #pip install pdfminer3k        from pdfminer.pdfparser import PDFDocument,PDFParser,PDFPagefrom pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreterfrom pdfminer.converter import PDFPageAggregator,PDFConverterfrom pdfminer.layout import LTLayoutContainer,LAParamsfrom pdfminer.pdfinterp import PDFTextExtractionNotAllowed# PDFParser    #PDF文档分析器：从一个文件中获取数据# PDFDocument  #PDF文档对象：保存获取的数据，和PDFParser是相互关联的## PDFPageAggregator #PDF聚合器，读取获取的文档对象# PDFResourceManager  #PDF资源管理器：用于存储共享资源，如字体或图像# LAParams #pdf参数分析器：分析PDF文件参数# PDFPageInterpreter  #PDF解释器，处理页面内容变成Python可以解析## 思路：构建文档对象---》解析文档对象---》提取所需内容import osdef pdf_to_word(floder,password):    files=os.listdir(floder)    pdffiles=[f for f in files if f.endswith(‘.pdf‘)]    for pdffile in pdffiles:        #        pdfPath=os.path.join(floder,pdffile)        wdPath=pdfPath.split(‘.‘)[0]        worldPath=wdPath + ‘.txt‘        # 获取文档对象        fn=open(pdfPath,‘rb‘)        # 创建一个PDF文档解释器        parser=PDFParser(fn)        fn.close()        # PDF文档的对象        docx=PDFDocument()                # 连接解释器和文档对象        parser.set_document(docx)        docx.set_parser(parser)                # 初始化文档        docx.initialize()        #检测文档是否提供txt转换，不提供就忽略        if not docx.is_extractable:            raise PDFTextExtractionNotAllowed        else:            # 创建PDF资源管理器            resource=PDFResourceManager()            # 参数分析器            laparams=LAParams()            # 创建一个聚合器            device=PDFPageAggregator(resource,laparams=laparams)            # 创建PDF页面解释器            interpreter=PDFPageInterpreter(resource,device)                        f = open(worldPath, ‘w‘,encoding=‘utf-8‘)            print(‘正在写入。。。。‘)            # 使用文档对象得到页面的集合            for page in docx.get_pages():                # 使用页面解释器来读取                interpreter.process_page(page=page)                # 使用聚合器来获取页面内容 ,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 out in layout:                    # if (isinstance(out,LTLayoutContainer)):                    #     print(out.get_text())                     # 因为文档中不只有text文本                    if hasattr(out, "get_text"):                        f.write(out.get_text())            f.close()# 是否打印日志import logginglogging.Logger.propagate = Falselogging.getLogger().setLevel(logging.ERROR)pdf_to_word(r‘C:\Users\Administrator\Desktop\picture‘,‘ll‘)

python解析PDF文档