#!/usr/bin/python
# -*- coding: utf-8 -*-import sys
import importlib
importlib.reload(sys)from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import *
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed'''
解析pdf文件，获取文件中包含的各种对象
'''# 解析pdf文件函数
def parse(pdf_path):fp = open(pdf_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()# 连接分析器 与文档对象parser.set_document(doc)doc.set_parser(parser)# 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 PDFTextExtractionNotAllowedelse:# 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)# 用来计数页面，图片，曲线，figure，水平文本框等对象的数量num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0# 循环遍历列表，每次处理一个page的内容for page in doc.get_pages(): # doc.get_pages() 获取page列表num_page += 1  # 页面增一interpreter.process_page(page)# 接受该页面的LTPage对象layout = device.get_result()for x in layout:if isinstance(x,LTImage):  # 图片对象num_image += 1if isinstance(x,LTCurve):  # 曲线对象num_curve += 1if isinstance(x,LTFigure):  # figure对象num_figure += 1if isinstance(x, LTTextBoxHorizontal):  # 获取文本内容num_TextBoxHorizontal += 1  # 水平文本框对象增一# 保存文本内容with open(r'test.doc', 'a',encoding='utf-8') as f:    #生成doc文件的文件名及路径results = x.get_text()f.write(results)f.write('\n')print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'曲线数：%s\n'%num_curve,'水平文本框：%s\n'%num_TextBoxHorizontal)if __name__ == '__main__':pdf_path = r'test.pdf'  #pdf文件路径及文件名parse(pdf_path)

**此脚本只能将pdf文件转换成纯文本文件，没有任何格式。