会python真的可以为所欲为0(回)
350天前
这里还有人吗1(回)
535天前这里还有人吗0(回)
535天前
每天面对着电脑屏幕，敲打键盘。我所面对的并不只是代码，而是一种生活方式。0(回)
760天前到处都是羊，不想上班0(回)
840天前
鸽子
0(回)
844天前#基于pdfminer库 |
#pip install pdfminer3k |
from pdfminer.pdfparser import PDFParser, PDFDocument |
from pdfminer.converter import PDFPageAggregator |
from pdfminer.layout import LAParams, LTTextBoxHorizontal |
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed, PDFResourceManager, PDFPageInterpreter |
def pdfParse(path): |
""" |
pdf文字提取 |
:param path:文件路径 |
:return: 每页结果列表 |
""" |
fp = open(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 |
praser = PDFParser(fp) |
# 创建一个PDF文档 |
doc = PDFDocument() |
# 连接分析器 与文档对象 |
praser.set_document(doc) |
doc.set_parser(praser) |
# 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) |
#每页文字内容 |
results = [] |
# 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 |
interpreter.process_page(page) |
# 接受该页面的LTPage对象 |
layout = device.get_result() |
# 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性， |
for x in layout: |
if isinstance(x, LTTextBoxHorizontal): |
results.append(x.get_text()) |
return results |
