讀取PDF文件

2021-07-29 15:49:24 字數 2304 閱讀 2858

#coding=utf-8


#匯入開發包


frompdfminer.pdfparserimportpdfparser, pdfdocument


frompdfminer.pdfinterpimportpdfresourcemanager, pdfpageinterpreter


frompdfminer.pdfdeviceimportpdfdevice


frompdfminer.converterimportpdfpageaggregator


frompdfminer.layoutimportlaparams


#開啟模式


"""w :以寫方式開啟a :以追加模式開啟r+:以讀寫模式開啟w+:以讀寫模式開啟(參見w)a+:以讀寫模式開啟(參見a)rb:以二進位制讀模式開啟wb:以二進位制寫模式開啟(參見w)ab:以二進位制追加模式開啟(參見a)rb+:以二進位制讀寫模式開啟(參見r+)wb+:以二進位制讀寫模式開啟(參見w+)ab+:以二進位制讀寫模式開啟(參見a+)"""#獲取文件的物件


fp=open("naacl06-shinyama.pdf","rb")


#建立乙個與文件相關的直譯器


parser=pdfparser(fp)


#建立乙個pdf文件物件


doc=pdfdocument()


#鏈結直譯器和文件物件


parser.set_document(doc)


doc.set_parser(parser)


#初始化文件物件,文件若有密碼寫入，無密碼則為空


doc.initialize("")


#建立pdf資源管理器


resource=pdfresourcemanager()


#建立引數分析器。要分析pdf有哪些內容，文字，等


#alt+enter自動匯入包


laparam=laparams()


#建立乙個聚合器，將資源管理器和引數分析器都放在聚合器裡


device=pdfpageaggregator(resource,laparams=laparam)


#建立pdf頁面直譯器,將資源管理器和聚合器放入頁面直譯器，進行解釋


interpreter=pdfpageinterpreter(resource,device)


#使用文件物件得到頁面的集合


#得到每一頁


forpageindoc.get_pages():


#使用頁面直譯器來讀取頁,因為頁面直譯器是接收了乙個聚合器的，故下面可以直接用聚合器來獲取內容


interpreter.process_page(page)


#使用聚合器來獲取內容


layout=device.get_result()


foroutinlayout:


#使用下面的方法，到或者下劃線時會報錯，程式會中斷，因為它們沒有get_text()方法


#為使程式執行下去可以加個判斷


c 讀取pdf文件
2.解壓pdfbox，專案中新增存在解壓後bin目錄下的dll檔案 ikvm.gnu.classpath.dll ikvm.runtime.dll fontbox 0.1.0 dev.dll pdfbox 0.7.3.dll 3.檔案中引入2個命名空間 using org.pdfbox.pdmode...


python讀取pdf文件 實戰
coding utf 8 讀取pdf文件 from pdfminer.converter import pdfpageaggregator from pdfminer.layout import laparams from pdfminer.pdfparser import pdfparser,pd...


用python讀取pdf文件
首先要安裝庫 pdfminer3k from pdfminer.converter import pdfpageaggregator from pdfminer.layout import laparams from pdfminer.pdfparser import pdfparser,pdfdo...