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，这些代码都是参考各位前辈

from pdfminer.pdfparser import PDFParser,PDFDocument

from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter

from pdfminer.converter import PDFPageAggregator

from pdfminer.layout import LTTextBoxHorizontal,LAParams,LTImage

import os

path=''

def pdf_to_word(folder,password):

#获取指定目录下的所有文件

files=os.listdir(folder)

pdfFiles=[f for f in files if f.endswith('.pdf')]

#获取pdf类型的文件，放到一个列表中

for pdfFile in pdfFiles:

print(pdfFile)

#将目录和文件合并成一个路径 os.path.join('root','test','runoob.txt') ##root/test/runoob.txt

# pdfPath=os.path.join(folder,pdfFile)

#设置将要转换后存放word文件的路径

# wdPath=pdfPath

#判断是否已经存在对应的文件，如果不存在就加入到存放的路径中去

# if wdPath[-4:]!='.docx':

# wdPath=wdPath+'.docx'

fn=open(path+"/{}".format(pdfFile),'rb')

#创建一个PDF文本档分析器：PDFParser

parser=PDFParser(fn)

#创建一个PDF文档：PDFDocumeng

doc=PDFDocument()

#链接分析器与文档

parser.set_document(doc)

doc.set_parser(parser)

#提供出事话的密码，如果没有密码，输入空字符串

doc.initialize('')

#检测文档是否提供txt转换，不提供就直接忽略

if not doc.is_extractable:

print('PDFTextExtractionNotAllowed')

else:

#创建PDF资源管理器：PDFResourceManager

resource=PDFResourceManager()

#创建一个PDF参数分析器：；AParams

laparams=LAParams()

#创建聚合器，用于读取文档的对象：PDFPageAggregator

device=PDFPageAggregator(resource,laparams=laparams)

#创建解释器，对文档编码，解释成python能够识别的格式：PDFPageInterpreter

interpreter=PDFPageInterpreter(resource,device)

#doc.get_pages()是获取page列表的一个方法

num_page,num_image,num_Text=0,0,0

for page in doc.get_pages():

pdf_str=''

#利用解释器的peocess_page()方法解析单独页数

interpreter.process_page(page)

layout=device.get_result()

for out in layout:

if isinstance(out,LTTextBoxHorizontal):

num_Text+=1

print(type(out.get_text()))

pdf_str+=out.get_text().strip()

if isinstance(out,LTImage):

num_image+=1

print(pdf_str)

# with open(wdPath,'a',encoding='utf-8') as f:

# f.write(out.get_text()+'\n')

if __name__=='__main__':

pdf_to_word(path,'')

2、解决编码问题

如果首次这样运行的话，会输出两行文字：

WARNING:root:GBK2K-H

WARNING:root:GBK2K-v

我的平台是ubuntu

我这边是在路径下放了两个pdf文件，一个pdf中是文本，另一个是Image

所以就继续找原因，后面发现是编码问题。

pdfminer3k不能解析特殊字体，需要下载相应的字体包来解决

字体包下载链接：https://github.com/euske/pdfminer/pull/71/commits/2103e5875ef04cfaf424b25d2fd0dc9535a90714#diff-11a7e5c9b1cb16f0ae7d0276f643956d

这里有很多的字体包，看看你的警告是属于哪种字体，就下载相应的字体包。

下载完成之后，不要解压直接放在 pdfminer/cmap文件夹下

pdfminer/cmap文件夹：我的这个是通过pip安装的，找到自己的python包，进去找到里面的相关文件夹就可以了。

再次运行。发现不报刚刚的警告了。但是有了新的问题

然后下面就会以有一堆的cid:xxx

着说明编码问题已经解决了，现在需要的解码。同样的在上面的链接找到图片中相应解码包,这里需要的就是

再以同样的方法保存到同样的位置就可以了。然后就完美的输出文本了。