示例

import requests
import io
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTText, LTChar, LTAnnodef parse_char_layout(layout):"""解析页面内容，一个字母一个字母的解析"""# bbox:# x0：从页面左侧到框左边缘的距离。# y0：从页面底部到框的下边缘的距离。# x1：从页面左侧到方框右边缘的距离。# y1：从页面底部到框的上边缘的距离for textbox in layout:if isinstance(textbox, LTText):for line in textbox:for char in line:# If the char is a line-break or an empty space, the word is completeif isinstance(char, LTAnno) or char.get_text() == ' ':passelif isinstance(char, LTChar):print("坐标 x:", char.bbox[0], "y:", char.bbox[3], " ||| ", char.get_text())if __name__ == '__main__':req = requests.get("http://www.africau.edu/images/default/sample.pdf")fp = io.BytesIO(req.content)# fp = open('../../ocr_pdf/0a0c3b458b66d5e525551ec5b40df1c6.pdf', 'rb')parser = PDFParser(fp)  # 用文件对象来创建一个pdf文档分析器doc: PDFDocument = PDFDocument(parser)  # 创建pdf文档rsrcmgr = PDFResourceManager()  # 创建PDF，资源管理器，来共享资源# 创建一个PDF设备对象laparams = LAParams()device = PDFPageAggregator(rsrcmgr, laparams=laparams)# 创建一个PDF解释其对象interpreter = PDFPageInterpreter(rsrcmgr, device)# 循环遍历列表，每次处理一个page内容# doc.get_pages() 获取page列表interpreter = PDFPageInterpreter(rsrcmgr, device)# 处理文档对象中每一页的内容# doc.get_pages() 获取page列表# 循环遍历列表，每次处理一个page的内容# 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 page in PDFPage.create_pages(doc):print('================ 新页面 ================')interpreter.process_page(page)layout = device.get_result()parse_char_layout(layout)  # 解析字母

python解析pdf得到每个字符的坐标相关推荐

python解析pdf，读取文字，可识别两栏pdf等
python解析pdf,读取文字,可识别两栏pdf等一.解析我们的pdf文件,首先第一步是解析普通类别的pdf(只有一栏) 代码中包含注释(不懂得可以留言) 二.处理拥有两栏等类型的pdf 为什么要 ...
python读取pdf表格_[转]Python 解析 PDF 文本和表格的四大方法介绍
Python 解析 PDF 文本和表格的四大方法介绍 == code for paper and NSFC Proj. parsing==: https://gitee.com/sonica/pdf_ ...
python解析pdf文件
加载pdf文件,获取pdf的每一页对象: import pdfplumber path = "" with pdfplumber.open(path) as pdf_obj:pag ...
Python解析pdf转为TXT格式
#完成pdf到TXT转变了,无法完成TXT到Excel转变import xlwt # 写入文件 import xlrd # 打开excel文件 from xlutils.copy import cop ...
io python 读取pdf_python自动化办公之 Python 解析 PDF
上次给大家介绍了 Python 如何操作 Word 和 Excel ,而今天想为大家再介绍下,用 Python 如何解析 PDF ,PDF 格式不像前面两个那么规范,从它的表现来看,它更像是一张图片, ...
python interpreter 中没有torch_python自动化办公之 Python 解析 PDF
上次给大家介绍了 Python 如何操作 Word 和 Excel ,而今天想为大家再介绍下,用 Python 如何解析 PDF ,PDF 格式不像前面两个那么规范,从它的表现来看,它更像是一张图片, ...
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 ...
python解析pdf，pdfplumber和tabula
最近做了一个需要解析财报pdf的项目,财报的格式大致一样,但是具体细节会有略微不同. 原本是使用pdfplumber来做,做到一半,发现 pdfplumber对于分页了的表格处理很不友好. 原本处理分 ...
python解析pdf中文乱码_使用Python第三方库pdfminer提取PDF内容，并解决中文编码不支持的问题...
这两天刚好完成一个提取人行简版征信报告PDF所有数据的小项目,中间踩了很多坑,尤其是对于汉字编码问题度娘也不太灵.为了方便后人,在这里记录下在这个过程中我遇到的问题以及我的解决方法. 我用的是mac系 ...

python解析pdf得到每个字符的坐标

示例

python解析pdf得到每个字符的坐标相关推荐

最新文章

热门文章