怎么在python中使用pdfminer解析pdf文件
怎么在python中使用pdfminer解析pdf文件？很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。
pdf2txt.py从PDF文件中提取所有文本内容。但不能识别画成图片的文本，这需要特征识别。对于加密的PDF你需要提供一个密码才能解析，对于没有提取权限的PDF文档你得不到任何文本。
dumppdf.py把PDF文件内容变成pseudo-XML格式。这个程序主要用于debug，但是它也可能用于提取一些有意义的内容（比如图片）。
官方主页：https://euske.github.io/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，就可以通过命令“python pip install pdfminer”，自动安装pdfminer。
解析pdf文件用到的类：
PDFParser：从一个文件中获取数据
PDFDocument：保存获取的数据，和PDFParser是相互关联的
PDFPageInterpreter处理页面内容
PDFDevice将其翻译成你需要的格式
PDFResourceManager用于存储共享资源，如字体或图像。
python的工具，安装当然是使用pip安装了。
pipinstallpdfminer
命令行方式
为了使用方便，pdfminer 提供了一个命令行工具来直接转换pdf文件，使用方法如下：
pdf2txt.py<path_to_pdf_file>
编程方式
除了命令行方式以外，对于复杂应用场景，pdfminer 也提供了以编程方式来转换 pdf 文件，主要使用下面几个类来实现：
PDFParser： 用来解析pdf文件。
PDFDocument：用来保存 PDFParser 解析后的对象。
PDFPageInterpreter：用来处理解析后的文档页面内容。
PDFResourceManager：pdf 共享资源管理器,用于存储共享资源，如字体或图像。
下面看一个例子：
#!/usr/bin/envpython #-*-coding:utf-8-*- frompdfminer.pdfparserimportPDFParser frompdfminer.pdfdocumentimportPDFDocument frompdfminer.pdfpageimportPDFPage,PDFTextExtractionNotAllowed frompdfminer.pdfinterpimportPDFResourceManager,PDFPageInterpreter frompdfminer.converterimportPDFPageAggregator frompdfminer.layoutimportLAParams importStringIO classPDFUtils(): def__init__(self): pass defpdf2txt(self,path): output=StringIO.StringIO() withopen(path,'rb')asf: praser=PDFParser(f) doc=PDFDocument(praser) ifnotdoc.is_extractable: raisePDFTextExtractionNotAllowed pdfrm=PDFResourceManager() laparams=LAParams() device=PDFPageAggregator(pdfrm,laparams=laparams) interpreter=PDFPageInterpreter(pdfrm,device) forpageinPDFPage.create_pages(doc): interpreter.process_page(page) layout=device.get_result() forxinlayout: ifhasattr(x,"get_text"): content=x.get_text() output.write(content) content=output.getvalue() output.close() returncontent if__name__=='__main__': path=u'/tmp/abc.pdf' pdf_utils=PDFUtils() printpdf_utils.pdf2txt(path)
看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注恰卡编程网行业资讯频道，感谢您对恰卡编程网的支持。
