python如何解析PDF文件

2024-06-04 19:51:49

python如何解析PDF文件

python中读取pdf的方法：使用python第三方库pdfminerk3k

1.使用pdfminer库

pdfminer是一个主流的分析pdf的库。如果是python3版本，通过pip install pdfminer3k下载
对于pdfminer的学习，我参考的主要是pdf信息提取.
pdfminer将pdf解析为如图所示的形式：

但上面那篇参考文档的例子是关于LTText的，我要解析的文档基本是扫描件，即主要由LTImage组成，所以我接下来的内容主要围绕如何提取LTImage的文字。
我的思路是，事实上，LTImage就是图片，也就是说，可以将问题转换为如何提取图片的文字信息。

                        for element in lobj:#lobj:pdfminer.layout.LiFigure# element：pdfminer.layout.LTImagetext = element.stream.get_data()img ='out_img.jpg'with open(img,'wb')as fp:fp.write(text)

此时，out_img.jpg就是pdf其中一页。
接下来，提取图片文字。

2.提取图片文字

存在两种提取图片文字的方法;

使用第三方库pytesseract
调用外部api，如百度api

2.1 使用第三方库pytesseract

调用的主要问题在于安装过程有点小坑，如果要解析中文图片的话，还必须同时下载一个中文语言包。我参考的是Tesseract OCR V5.0安装教程（Windows）。
安装好后，一行代码就可以识别了

print(pytesseract.image_to_string(img, lang='chi_sim'))

缺点是识别效果很一般，如果有水印的话，会识别出一些奇怪的文字

2.2使用百度api

下载百度api

pip install baidu-aip -i http://pypi.douban.com/simple --t[rust](https://so.csdn.net/so/search?from=pc_blog_highlight&q=rust)ed-host pypi.douban.com

教程
1.我参考的主要是文字识别.
核心代码：

from aip import AipOcr
client = AipOcr(APP_ID, API_KEY, SECRECT_KEY)
# pic_path图片存储路径
i = open(pic_path, 'rb')
img = i.read()
message = client.basicGeneral(img) #通用文字识别
i.close();
for text in message.get('words_result'):print(text.get('words'))

注意，使用通用文字识别时，记得要先获取免费的使用次数获取免费的使用次数

该方法优点是识别比较准确，缺点是有限制次数。
如果文章存在问题，欢迎指出。能力有限，欢迎指导。

python如何解析PDF文件相关推荐

python pdfminer解析pdf文件的每一行，得到每一行的坐标与每个字符的坐标
pdfminer的基本用法请参考:https://blog.csdn.net/weixin_35757704/article/details/121621559 一句话(用变量line表示)相对于页面 ...
python处理pdf实例_python使用pdfminer解析pdf文件的方法示例
最近要做个从 pdf 文件中抽取文本内容的工具,大概查了一下 python 里可以使用 pdfminer 来实现.下面就看看怎样使用吧. PDFMiner是一个可以从PDF文档中提取信息的工具.与其他 ...
python 读取pdf cid_python使用pdfminer解析pdf文件的方法示例
最近要做个从 pdf 文件中抽取文本内容的工具,大概查了一下 python 里可以使用 pdfminer 来实现.下面就看看怎样使用吧. PDFMiner是一个可以从PDF文档中提取信息的工具.与其他 ...
Python编程--使用PyPDF解析PDF文件中的元数据
Python编程–使用PyPDF解析PDF文件中的元数据元数据作为一种文件里非常明显可见的对象,元数据可以存在于文档.电子表格.图片.音频和视频文件中.创建这些文件的应用程序可能会把文档的作者.创 ...
python解析pdf中文乱码_解析PDF文件以及解决编码问题
1.解析pdf文件最近需要将pdf中文本提取出来,于是就了解了一下pdfminer 首先安装:pip3 install pdfminer3k 之后就是用pdfminer解析,不多说,直接上代码,这些 ...
[299]python实现批量解析PDF文件提取内容并写入到Excel中
摘要:最近需要将一批PDF文件中的某些数据整理到Excel中,因为文件数量接近20w+,手动更新几乎不现实,于是就提取关键词和内容动手写了个Python小工具,以实现自动完成上述目标. 要求: 读取P ...
【Python】用于在 Python 中处理 PDF 文件的 PyPDF2 库
作者 | megha152 编译 | Flin 来源 | analyticsvidhya 介绍 PDF 代表便携式文档格式.它使用 .pdf 扩展名.这种类型的文件主要用于共享目的.它们不能被修改,从 ...
Python+Miner解析PDF
Python+Miner解析PDF 这个事呢,我们直接来吧,参考资料么一篇文档[312]Python提取pdf文本内容,官方参考文档在这里一.安装首先我们得明确一点,就是你的电脑上得有Python ...
解析PDF文件以及解决编码问题
1.解析pdf文件最近需要将pdf中文本提取出来,于是就了解了一下pdfminer 首先安装:pip3 install pdfminer3k 之后就是用pdfminer解析,不多说,直接上代码,这些 ...

最新文章

热门文章