python讀取pdf中的文字

2021-09-09 02:42:19 字數 2530 閱讀 7068

python處理pdf也是常用的技術了，對於python3來說，pdfminer3k是乙個非常好的工具。

pip install pdfminer3k
首先，為了滿足大部分人的需求，我先給乙個通用一點的指令碼來讀取pdf中的文字：

from io import stringio


from io import open


from pdfminer.converter import textconverter


from pdfminer.layout import laparams


from pdfminer.pdfinterp import pdfresourcemanager, process_pdf


def read_pdf(pdf):


# resource manager


rsrcmgr = pdfresourcemanager()


retstr = stringio()


laparams = laparams()


# device


device = textconverter(rsrcmgr, retstr, laparams=laparams)


process_pdf(rsrcmgr, device, pdf)


device.close()


content = retstr.getvalue()


retstr.close()


# 獲取所有行


lines = str(content).split("\n")


return lines


if __name__ == '__main__':


with open('t1.pdf', "rb") as my_pdf:


print(read_pdf(my_pdf))
我主要是想在pdf中抽出自己想要的一些關鍵資訊，所以需要找到這些資訊的共同點。幸運的是，這些關鍵資訊的行都含有'//'，所以我只需找到含有'//'的行就行了，於是寫了以下指令碼。

這樣就可以直接使用了，我們先看指令碼：

from io import stringio


from io import open


from pdfminer.converter import textconverter


from pdfminer.layout import laparams


from pdfminer.pdfinterp import pdfresourcemanager, process_pdf


def read_pdf(pdf):


# resource manager


rsrcmgr = pdfresourcemanager()


retstr = stringio()


laparams = laparams()


# device


device = textconverter(rsrcmgr, retstr, laparams=laparams)


process_pdf(rsrcmgr, device, pdf)


device.close()


content = retstr.getvalue()


retstr.close()


# 獲取所有行


lines = str(content).split("\n")


units = [1, 2, 3, 5, 7, 8, 9, 11, 12, 13]


header = '\x0cunit '


# print(lines[0:100])


count = 0


flag = false


text = open('words.txt', 'w+')


for line in lines:


if line.startswith(header):


flag = false


count += 1


if count in units:


flag = true


print(line)


text.writelines(line + '\n')


if '//' in line and flag:


text_line = line.split('//')[0].split('. ')[-1]


print(text_line)


text.writelines(text_line+'\n')


text.close()


def _main():


my_pdf = open('t1.pdf', "rb")


read_pdf(my_pdf)


my_pdf.close()


if __name__ == '__main__':


_main()
其實看到lines =  str(content).split("\n")那一行就夠了，我們可以把lines都print出來，就可以看到pdf裡面的內容。

這樣我們就可以把pdf檔案處理看作簡單的字串資料處理了。接下來的指令碼操作也不用過多解釋了。

Python 讀取純文字PDF檔案

匯入系統庫 import sys import importlib 對importlib做處理,讓其載入sys importlib.reload sys from pdfminer.pdfparser import pdfparser,pdfdocument from pdfminer.pdfint...

Python讀取PDF內容

1，引言 晚上翻看 python網路資料採集 這本書，看到讀取pdf內容的 想起來前幾天 集搜客剛剛發布了乙個 抓取網頁pdf內容的抓取規則 這個規則能夠把pdf內容當成html來做網頁抓取。神奇之處要歸功於firefox解析pdf的能力，能夠把pdf格式轉換成html標籤，比如，div之類的標籤，...

python讀取pdf檔案

pdfplumber是乙個可以處理pdf格式資訊的庫。可以查詢關於每個文字字元 矩陣 和行的詳細資訊，也可以對 進行提取並進行視覺化除錯。文件參考 安裝直接採用pip即可。命令列中輸入 pip install pdfplumber import pdfplumber with pdfplumber....