本文作者：王碧琪
文字编辑：钱梦璇
技术总编：张 邯
PDF格式的文件经常出现在我们的办公生活中，它更像是一张图片，我们没办法进行编辑和复制等操作。所以为了解决这一问题，pdfminer应运而生，今天就来试一下，用pdfminer提取简单文字的pdf文档内容。
一、简介
pdfminer是Python中的一个库，它可以告诉我们某文本在分页上具体的位置和字体信息。可以通过pip安装，注意库的名字在Python3中改为pdfminer3k了：
pip install pdfminer3k
本文使用一个简单文字的PDF文档，内容如下：
image
二、处理
（一）导入pdfminer
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox
这些类的功能如下所示：
| 类名 | 含义 |
|---|---|
| PDFParser | 从文件中获取数据 |
| PDFDocument | 存储文档数据结构到内存中 |
| PDFPageInterpreter | 解析page内容 |
| PDFDevice | 把解析到的内容转化为你需要的东西 |
| PDFResourceManager | 存储共享资源，例如字体或图片 |
（二）读入待处理PDF文档
创建一个PDF文档实例，打开示例文件：
doc = PDFDocument()
parser = PDFParser(open(r"G:\simple1.pdf"))
连接分析器与文档对象，这两句不能颠倒：
parser.set_document(doc)
doc.set_parser(parser)
我们可以调用doc的get_pages() 方法查看每一页：
print(doc.get_pages())
结果是：
<generator object PDFDocument.get_pages at 0x00000266CEBE4848>
这里是一个生成器，因为pdfminer的解析原则是“用了再干”，而并不会先将整个文档解析，生成器的相关内容可以查看推文《可迭代对象、迭代器、生成器傻傻分不清楚》。可以通过for循环遍历内容：
for page in doc.get_pages():
print(page)
结果是：
<PDFPage: Resources={'ProcSet': <PDFObjRef:6>, 'Font': {'F1': <PDFObjRef:7>}}, MediaBox=[0, 0, 612, 792]>
小编查找官方文档，得知这些是返回的page的一些属性。Resources代表pdf的来源，标注了名称以及字体，mediabox是page的位置坐标。这些不用过分在意，只需要继续进行提取，完成任务即可。
（三）解析页面
创建一个PDF解释器对象：
device = PDFPageAggregator( PDFResourceManager(), laparams = LAParams() )
interpreter = PDFPageInterpreter( PDFResourceManager(), device)
pdfminer会通过解释器解析每一页的内容，得到每一页的LTPage对象，其中包括LTTextBox\LTFigure等。他们的关系如下图所示：
image
（图片源自网络，侵删）
本篇文章仅提取文本，所以只需要提取LTTextBox，接下来的系列文章还会讲到图片、表格等内容，会用到其他的对象。
（四）获取文字内容
使用循环遍历每一页，针对每一页进行解析，提取LTTextBox并输出：
for page in doc.get_pages():
interpreter.process_page(page)
layout = device.get_result()
for x in layout:
if isinstance(x, LTTextBox):
print(x.get_text().strip())
运行结果如下：
image
至此，pdf文档中的文本内容已经成功提取出来了。
网友评论