使用Python抽取PDF文件内容,包括文本、图像、线条等对象
摘要:这篇文章主要介绍如何使用Python【3.6版本】中的PDFminer3k 模块来抽取PDF内容,包括文本、图像、曲线等。
作者:yooongchun
微信公众号:yooongchun小屋
1.安装PDFminer3k
使用pip 命令安装
pip install pdfminer3k
2.编写测试
你可以在这里获得官方参考:PDFMiner
如果你不喜欢看英文的官方文档,这里的翻译也许对你有帮助:中文PDFMiner文档
下面的程序,我拓展了官方给出的例子,你可以通过这个例子统计出来你的pdf文件一共包含哪些内容,比如文本框,曲线,图片等
#!/usr/bin/python
# -*- coding: utf-8 -*-
__author__ = 'yooongchun'
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 PDFTextExtractionNotAllowed
else:
# 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 += 1
if isinstance(x,LTCurve): # 曲线对象
num_curve += 1
if isinstance(x,LTFigure): # figure对象
num_figure += 1
if 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.txt', 'a') as f:
results = x.get_text()
f.write(results + '\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'C:\Users\fanyu\Desktop\pdf\test.pdf'
parse(pdf_path)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
其实在上面的layout 对象中有更多的内容可提取,这个自己按需来写就好,然后对曲线,文本框等对象,都会有位置属性,可直接获取,自己debug 查看以下对象属性获取即可。
---------------------
作者:yooongchun
来源:CSDN
原文:https://blog.csdn.net/zyc121561/article/details/77877912
版权声明:本文为博主原创文章,转载请附上博文链接!
相关推荐
下面的程序,我拓展了官方给出的例子,你可以通过这个例子统计出来你的pdf文件一共包含哪些内容,比如文本框,曲线,图片等 #!/usr/bin/python # -*- coding: utf-8 -*- __author__ = 'yooongchun' import sys ...
使用python提取pdf中的文字
Python应用实战代码-如何使用python提取pdf表格及文本,并保存到excel
主要为大家详细介绍了Python批量提取PDF文件中文本的脚本,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
Python提取pdf目录(包含对应页码)成json格式 使用方法:python bookmark.py /path/to/file.pdf <json/text>
该文件包含一个exe和一个py文件,...【【08】python练习|提取PDF文件中的图片、文本、公式和表格】 https://www.bilibili.com/video/BV1K34y1A7ux/?share_source=copy_web&vd_source=3a5925b532459caa93ff86011cae74a5
主要介绍了python 提取pdf文字代码实例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
基于python的文本挖掘应用.pdf基于python的文本挖掘应用.pdf基于python的文本挖掘应用.pdf基于python的文本挖掘应用.pdf基于python的文本挖掘应用.pdf基于python的文本挖掘应用.pdf基于python的文本挖掘应用.pdf基于...
Python图像处理.pdf
基于python开发的提取文本中的三元组源码.rar基于python开发的提取文本中的三元组源码.rar基于python开发的提取文本中的三元组源码.rar基于python开发的提取文本中的三元组源码.rar基于python开发的提取文本中的三元...
python调用OCR提取PDF图片文本信息
使用python批量读取PDF中的表格数据并写入Excel文档 实现思路: 使用os、pdfplumber、openpyxl模块实现 os :用于获取pdf文件 pdfplumber :用于操作pdf文件 openpyxl :用于操作excel文件 实现步骤: 1、获取PDF...
Python提供了众多的PDF支持库,本篇文章主要介绍了Python处理PDF及生成多层PDF实例代码,这样就能够实现图片扫描上来的内容也可以进行内容搜索的目标
提取pdf文件中的文字及图片(注意:只能提取可以复制文字且没有加密的pdf文件)
python提取PDF与Word中图片,并结合GUI框架PysimpleGUI,做一个多文件图片提取软件并打包。
python批量提取pdf表格与文字,要求pdf格式不能是图片转的,也不能是加密的,就可以使用这个代码提取
python解析pdf获取文本、表格、图片
使用Python的pdfplumber模块从PDF指定的各个页面中提取对应的表格,全部存入pandas的DataFrame中。将表格中不关注的行列删除后,保存到Excel电子表格中。 源码将STM32规格书中指定封装的引脚表提取到Excel中,方便...