问题背景:
有时候需要用到pdf文件中的信息,但是pdf不易编辑,格式有局限性,需要转成txt这样的格式。
目标:
将给定pdf文件中的文本信息(暂时不考虑表格、图片等)抽取出来,写入txt文件中。
主要工具:
python的pdfminer3k库(pdfminer的python3端口,pdfminer是一个用于从文档中提取信息的工具)
代码:
import importlib
import sys
import time
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
importlib.reload(sys)
time1 = time.time()
def parse(pdf_path, txt_path):
# 解析PDF文本,并保存到TXT文件中
fp = open(pdf_path, 'rb')
# 用文件对象创建一个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 PDFTextExtractionNotAllowed
else:
# 创建PDF,资源管理器,来共享资源
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)
# 循环遍历列表,每次处理一个page内容
# doc.get_pages() 获取page列表
for page in doc.get_pages():
interpreter.process_page(page)
# 接受该页面的LTPage对象
layout = device.get_result()
# 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 x in layout:
if (isinstance(x, LTTextBoxHorizontal)):
with open(txt_path, 'a+', encoding='utf-8') as f:
results = x.get_text()
print(results)
f.write(results + "\n")
if __name__ == '__main__':
pdf_path = './test.pdf'
txt_path = './test.txt'
parse(pdf_path, txt_path)
time2 = time.time()
print("总共消耗时间为:", time2 - time1)
分析:
本例只是实现将pdf转txt,也只是抽取了其中的文本信息,其实可以进一步抽取出表格和图片信息,也可以引入python-docx这个库来实现将pdf转为word文件,希望感兴趣的朋友可以探索一下。