【zzt原创】pdf内容提取，2021年9月最新可用pdfminer例子

网上找到的例子都不能用了，由于最新版的pdfminer做了比较多的更新。遇到了很多坑，找了很久的资料才知道问题在哪里。

下面是最新源码

# coding=gbk
from pdfminer.converter import LTChar, TextConverter
from pdfminer.layout import LAParams
# from pdfminer.pdfparser import PDFDocument, PDFParser # Not compatible with current version of PDFMiner
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox

def read():
   path = r"d:\table.pdf"
   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
   parser = PDFParser(fp)
   # 创建一个PDF文档
   #doc = PDFDocument()
   doc = PDFDocument(parser,'') # Inserted ahead of 'parser.set_document(doc)' to avoid error
   # 连接分析器与文档对象
   parser.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():
       #for i, page in PDFPage.get_pages(doc):
       for i, page in enumerate(PDFPage.create_pages(doc)):
           interpreter.process_page(page)
           print("START PAGE %d\n" % i)
           if page is not None:
               interpreter.process_page(page)
           print("END PAGE %d\n" % i)
           # 接受该页面的LTPage对象
           layout = device.get_result()
           print(layout)
           # 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
           # 包括 LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等
           for x in layout:
               if isinstance(x, LTTextBox):
                   print(x.get_text().strip())

if __name__ == '__main__':
   read()

【zzt原创】pdf内容提取，2021年9月最新可用pdfminer例子相关推荐

剑与远征服务器无限换,剑与远征兑换码2021年5月最新剑与远征兑换码永久有效整理...
剑与远征兑换码2021年5月最新整合是小编为大家带来的目前能用的所有兑换码整理,你可以通过在游戏中的兑换来获得大量的游戏资源,更好的帮助你进行游戏,每个码都是小编亲测的哦,快去享受游戏吧! 剑与远征五 ...
珍贵！分享！全国各省市最全乡镇、街道行政区划边界shp矢量数据+wgs84坐标系+2021年7月最新获取+2018年更新数据
珍贵!全网独一份!全国各省市最全乡镇.街道行政区划边界shp矢量数据+wgs84坐标系+2021年7月最新获取+2018年更新数据该数据为2021年7月获取,数据为2018年版本数据,官方未更新温 ...
Python 调用谷歌翻译(2021年3月测试可用)
前言把之前的用来谷歌翻译的Python文件整理了下, 用来处理翻译下i18n.js所需要的字典, 直接调用即可.2021年3月测试可用 (¦3[▓▓] 2021年9月17日测试失效请查看: Py ...
2021年11月最新搜狗验证码识别，6位全对正确率高达96%
训练数据准备标记数据是最花费时间的事情.最开始手工标记验证码1万条,训练后正确率在50%左右.然后写写代码使用这种低正确率的去自动标记.使用搜狗自动验证,来实现自动标记.逐渐积累数据量,后期只需要人 ...
命运2服务器维护2021,《命运2》3.0.2版本更新内容详情 2021年1月20日更新公告
战斗收起战斗活动奖励综合命运2于2021年1月20日进行了更新,此次更新都有哪些内容呢?下面就给大家带来<命运2>3.0.2版本更新内容详情,以供玩家参考. 战斗技能修复了突围者法则 ...
php-live-chat-pro中文汉化版源码教程-【2021修复版】最新可用的PHP在线客服系统phplivechat无限坐席简单搭建支持APP
系统要求要使应用程序正常运行,需要 PHP 5 或更高版本以及 MySQL 5.2 或更高版本的数据库.支持 IE9 及更新版本的浏览器. PHP在线客服系统源码最新可用的PHPlivechat无限 ...
【Google Play】APK 扩展包 ( 2021年09月最新处理方案 | 文件准备 | 拷贝文件至内置存储 | 解压及使用扩展文件 )
文章目录前言一.文件准备二.拷贝文件至内置存储三.解压及使用扩展文件四.博客资源前言在上一篇博客 [Google Play]APK 扩展包 ( 2021年09月02日最新处理方案 | 内 ...
2021年9月最新的保姆级计算机视觉学习路线
因工作需要,年初花了4个月左右时间学习了机器学习.神经网络相关的知识,工作日每天大概学习4-6个小时,周末每天大概10个小时,工作中的需求应对也得心应手了. 想快速入门的话,从自己的经验看,可以先不看 ...
2021年8月最新sci-hub可用网址，高速稳定
Sci-Hub由哈萨克软件开发暨神经技术研究员亚历珊卓·艾尔巴金(Alexandra Elbakyan),在2011年9月5日正式上线.其中艾尔巴金过去在哈佛大学从事研究时,由于无法支付所需要的数百篇 ...

【zzt原创】pdf内容提取，2021年9月最新可用pdfminer例子

【zzt原创】pdf内容提取，2021年9月最新可用pdfminer例子相关推荐

最新文章

热门文章