python怎么读取pdf为文本_python怎么读取pdf文本内容

python读取pdf文本内容的方法：首先打开相应的python脚本文件；然后使用PDFMiner工具来读取pdf文本内容；最后通过print输出读取后的内容即可。

python读取pdf文本内容

python处理pdf也是常用的技术了，对于python3来说，pdfminer3k是一个非常好的工具。

PDFMiner是一个可以从PDF文档中提取信息的工具。与其他PDF相关的工具不同，它注重的完全是获取和分析文本数据。

PDFMiner允许你获取某一页中文本的准确位置和一些诸如字体、行数的信息。它包括一个PDF转换器，可以把PDF文件转换成HTML等格式。它还有一个扩展的PDF解析器，可以用于除文本分析以外的其他用途。pip install pdfminer3k

首先，为了满足大部分人的需求，我先给一个通用一点的脚本来读取pdf中的文本：from io import StringIO

from io import open

from pdfminer.converter import TextConverter

from pdfminer.layout import LAParams

from pdfminer.pdfinterp import PDFResourceManager, process_pdf

def read_pdf(pdf):

# resource manager

rsrcmgr = PDFResourceManager()

retstr = StringIO()

laparams = LAParams()

# device

device = TextConverter(rsrcmgr, retstr, laparams=laparams)

process_pdf(rsrcmgr, device, pdf)

device.close()

content = retstr.getvalue()

retstr.close()

# 获取所有行

lines = str(content).split("\n")

return lines

if __name__ == '__main__':

with open('t1.pdf', "rb") as my_pdf:

print(read_pdf(my_pdf))

我主要是想在pdf中抽出自己想要的一些关键信息，所以需要找到这些信息的共同点。幸运的是，这些关键信息的行都含有'//'，所以我只需找到含有'//'的行就行了，于是写了以下脚本。

这样就可以直接使用了，我们先看脚本：from io import StringIO

from io import open

from pdfminer.converter import TextConverter

from pdfminer.layout import LAParams

from pdfminer.pdfinterp import PDFResourceManager, process_pdf

def read_pdf(pdf):

# resource manager

rsrcmgr = PDFResourceManager()

retstr = StringIO()

laparams = LAParams()

# device

device = TextConverter(rsrcmgr, retstr, laparams=laparams)

process_pdf(rsrcmgr, device, pdf)

device.close()

content = retstr.getvalue()

retstr.close()

# 获取所有行

lines = str(content).split("\n")

units = [1, 2, 3, 5, 7, 8, 9, 11, 12, 13]

header = '\x0cUNIT '

# print(lines[0:100])

count = 0

flag = False

text = open('words.txt', 'w+')

for line in lines:

if line.startswith(header):

flag = False

count += 1

if count in units:

flag = True

print(line)

text.writelines(line + '\n')

if '//' in line and flag:

text_line = line.split('//')[0].split('. ')[-1]

print(text_line)

text.writelines(text_line+'\n')

text.close()

def _main():

my_pdf = open('t1.pdf', "rb")

read_pdf(my_pdf)

my_pdf.close()

if __name__ == '__main__':

_main()

其实看到lines = str(content).split("\n")那一行就够了，我们可以把lines都print出来，就可以看到pdf里面的内容。

这样我们就可以把pdf文件处理看作简单的字符串数据处理了。接下来的脚本操作也不用过多解释了。

更多相关知识，请访问 PHP中文网！！

本文原创发布php中文网，转载请注明出处，感谢您的尊重！

python怎么读取pdf为文本_python怎么读取pdf文本内容相关推荐

python docx 合并文档图片_Python+pymupdf处理PDF文档案例6则
推荐图书:<Python程序设计(第3版)>,(ISBN:978-7-302-55083-9),清华大学出版社,2020年6月第1次印刷,7月第2次印刷京东购买链接:https://it ...
python docx 合并文档图片_python玩转pdf全攻略
本篇说点轻松的,聊下Python对pdf的各种操作,包含pdf转word,pdf转图片等. pdf转换word文档保留格式 pdf转换为word文档,被大众经常使用的是纯Python库pdfmine ...
python pdf 加水印_Python实现给PDF添加水印的方法
前言本文针对仅有 PDF 文件,而无相关 PDF 编辑器的情况下,给 PDF 添加水印. 一.前期准备安装 PyPDF2 ,命令提示框输入: pip install PyPDF2 新建 wate ...
python中几种读取文件的方法_python 逐行读取文件的几种方法
Python四种逐行读取文件内容的方法下面四种Python逐行读取文件内容的方法, 分析了各种方法的优缺点及应用场景,以下代码在python3中测试通过, python2中运行部分代码已注释,稍加修 ...
python读取文件详解_python 文件读取方法详解
#绝对路径# f =开放(' \/用户\/方\/下载\/我的古诗.文本的模式= ' r ',编码= ' utf - 8\u201D) =() # #内容打印(内容)#()#相对路径f =开放(\u20 ...
python pdf 加水印_Python批量给PDF加水印，10秒搞定“不可编辑”的PDF！
在日常的工作中,我们经常需要和PDF文件打交道,PDF的处理,比如修改文字.增减页面等,都是非常麻烦的,相信大家有共同的感受. 有时我们还需要对PDF添加水印,野生的PDF工具都是给单个PDF添加水印 ...
python爬取微博文本_Python爬虫爬取新浪微博内容示例【基于代理IP】
本文实例讲述了Python爬虫爬取新浪微博内容.分享给大家供大家参考,具体如下: 用Python编写爬虫,爬取微博大V的微博内容,本文以女神的微博为例(爬新浪m站:https://m.weibo.cn ...
python加载图片并显示_python OpenCV 读取并显示图像
读入图像读入图像使用cv2.imread(). 读取方式: cv2.IMREAD_COLOR:读取一副彩色图像,图像的透明度会被忽略,这是默认参数 cv2.IMREAD_GRAYSCALE:以灰度图 ...
python批量提取pdf的数据_Python批量提取PDF文件中文本的脚本
本文实例为大家分享了Python批量提取PDF文件中文本的具体代码,供大家参考,具体内容如下首先需要执行命令pip install pdfminer3k来安装处理PDF文件的扩展库. import ...

python怎么读取pdf为文本_python怎么读取pdf文本内容

python怎么读取pdf为文本_python怎么读取pdf文本内容相关推荐

最新文章

热门文章