PDFMiner其特征有：

1、完全使用python编写。(适用于2.4或更新版本)

2、解析，分析，并转换成PDF文档。

3、PDF-1.7规范的支持。(几乎)

4、中日韩CJK语言和垂直书写脚本支持。

5、各种字体类型(Type1、TrueType、Type3，和CID)的支持。

6、基本加密(RC4)的支持。

7、PDF与HTML转换。

8、纲要(TOC)的提取。

9、标签内容提取。

10、通过分组文本块重建原始的布局。

如果你的Python有安装pip模块，就可以通过pip命令自动安装pdfminer。(不支持中文)

#python pip install pdfminer

下面是 pdfminer 官网

Install Python 2.4 or newer. (Python 3 is not supported.)

Download the PDFMiner source.

Unpack it.

Run setup.py to install:

# python setup.py install

Do the following test:

$ pdf2txt.py samples/simple1.pdf

Hello

World

Hello

World

H e l l o

W o r l d

H e l l o

W o r l d

Done!

In order to process CJK languages, you need an additional step to take during installation:

(如果要使用中日韩CJK文字须先编译再安装：)

LINUX 下命令 直接make

# make cmap

python tools/conv_cmap.py pdfminer/cmap Adobe-CNS1 cmaprsrc/cid2code_Adobe_CNS1.txt

reading ‘cmaprsrc/cid2code_Adobe_CNS1.txt’…

writing ‘CNS1_H.py’…

…

(this may take several minutes)

# python setup.py install

On Windows machines which don’t have make command, paste the following commands on a command line prompt:

Windows 下命令:

mkdir pdfminer\cmap

python tools\conv_cmap.py -c B5=cp950 -c UniCNS-UTF8=utf-8 pdfminer\cmap Adobe-CNS1 cmaprsrc\cid2code_Adobe_CNS1.txt

python tools\conv_cmap.py -c GBK-EUC=cp936 -c UniGB-UTF8=utf-8 pdfminer\cmap Adobe-GB1 cmaprsrc\cid2code_Adobe_GB1.txt

python tools\conv_cmap.py -c RKSJ=cp932 -c EUC=euc-jp -c UniJIS-UTF8=utf-8 pdfminer\cmap Adobe-Japan1 cmaprsrc\cid2code_Adobe_Japan1.txt

python tools\conv_cmap.py -c KSC-EUC=euc-kr -c KSC-Johab=johab -c KSCms-UHC=cp949 -c UniKS-UTF8=utf-8 pdfminer\cmap Adobe-Korea1 cmaprsrc\cid2code_Adobe_Korea1.txt

python setup.py install

附代码

#!/usr/bin/env python

# -*- coding: utf-8 -*-

# @Time : 2017/7/6 21:02

# @Author : chen

# @Site :

# @File : simplePDF.py

# @Software: PyCharm

import os

from cStringIO import StringIO

import sys

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

from pdfminer.converter import TextConverter

from pdfminer.layout import LAParams

from pdfminer.pdfpage import PDFPage

def convert_pdf_2_text(path):

rsrcmgr = PDFResourceManager()

retstr = StringIO()

device = TextConverter(rsrcmgr, retstr, codec='utf-8', laparams=LAParams())

interpreter = PDFPageInterpreter(rsrcmgr, device)

with open(path, 'rb') as fp:

for page in PDFPage.get_pages(fp, set()):

interpreter.process_page(page)

text = retstr.getvalue()

device.close()

retstr.close()

return text