怎么在python中使用pdfminer解析pdf文件？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

pdf2txt.py從PDF文件中提取所有文本內容。但不能識別畫成圖片的文本，這需要特征識別。對于加密的PDF你需要提供一個密碼才能解析，對于沒有提取權限的PDF文檔你得不到任何文本。

dumppdf.py把PDF文件內容變成pseudo-XML格式。這個程序主要用于debug，但是它也可能用于提取一些有意義的內容（比如圖片）。

官方主頁：https://euske.github.io/pdfminer/

其特征有：1、完全使用python編寫。（適用于2.4或更新版本）2、解析，分析，并轉換成PDF文檔。3、PDF-1.7規范的支持。（幾乎）4、中日韓語言和垂直書寫腳本支持。5、各種字體類型（Type1、TrueType、Type3，和CID）的支持。6、基本加密（RC4）的支持。7、PDF與HTML轉換。8、綱要（TOC）的提取。9、標簽內容提取。10、通過分組文本塊重建原始的布局。
如果你的Python有安裝pip模塊，就可以通過命令“python pip install pdfminer”，自動安裝pdfminer。

解析pdf文件用到的類：

• PDFParser：從一個文件中獲取數據

• PDFDocument：保存獲取的數據，和PDFParser是相互關聯的

• PDFPageInterpreter處理頁面內容

• PDFDevice將其翻譯成你需要的格式

• PDFResourceManager用于存儲共享資源，如字體或圖像。

python的工具，安裝當然是使用pip安裝了。

pipinstallpdfminer

命令行方式

為了使用方便，pdfminer 提供了一個命令行工具來直接轉換pdf文件，使用方法如下：

pdf2txt.py<path_to_pdf_file>

編程方式

除了命令行方式以外，對于復雜應用場景，pdfminer 也提供了以編程方式來轉換 pdf 文件，主要使用下面幾個類來實現：

• PDFParser： 用來解析pdf文件。

• PDFDocument：用來保存 PDFParser 解析后的對象。

• PDFPageInterpreter：用來處理解析后的文檔頁面內容。

• PDFResourceManager：pdf 共享資源管理器,用于存儲共享資源，如字體或圖像。

下面看一個例子：

#!/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)

總結

以上是生活随笔為你收集整理的怎么在python中使用pdfminer解析pdf文件的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。