生活随笔
收集整理的這篇文章主要介紹了
python 读取 pdf 文档
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
這個圖片是使用的流程說明，看著是有點繞的，分解來看（學自慕課）
首先使用?open?方法或者??urlopen??打開本場文檔或者網絡文檔（一般會這么做因為考慮到文檔太大，對網絡服務器負擔也很大）生成文檔對象，以下的方法之中的網絡鏈接已經存在了
#?獲取文檔對象??pdf0?=?open('sampleFORtest.pdf','rb')??#?pdf1?=?urlopen('http://www.tencent.com/zh-cn/content/ir/an/2016/attachments/20160321.pdf')??
接著
創建
?
文檔解析器?
和?PDF文檔對象?并將他們相互關聯
#?創建一個與文檔關聯的解析器??parser?=?PDFParser(pdf0)????#?創建一個PDF文檔對象??doc?=?PDFDocument()????#?連接兩者??parser.set_document(doc)??doc.set_parser(parser)??
對
?
PDF文檔對象?進行初始化，如果文檔本身進行了加密，則需要在加入
?
password?參數
#?文檔初始化??doc.initialize('')??
先創建?PDF資源管理器?和?參數分析器?
#?創建PDF資源管理器??resources?=?PDFResourceManager()????#?創建參數分析器??laparam?=?LAParams()??
再
創建一個?聚合器?，并接收?PDF資源管理器??參數分析器?作為參數
#?創建一個聚合器，并接收資源管理器，參數分析器作為參數??device?=?PDFPageAggregator(resources,laparams=laparam)??
最后
創建一個?頁面解釋器?，將?PDF資源管理器?和?聚合器?作為參數
#?創建一個頁面解釋器??interpreter?=?PDFPageInterpreter(resources,device)??
這樣?頁面解釋器?就具有對PDF文檔進行編碼，解釋成Python能夠識別的格式
最后呢，使用?PDF文檔對象?的?get_pages()方法?從PDF文檔中讀取出頁面集合，接著使用?頁面解釋器?? ?對頁面集合逐一讀取，再調用?聚合器??的?get_result()方法?將頁面逐一放置到?layout?之中，最后商用?layout?的?get_text()方法?獲取每一頁的?text?
for?page?in?doc.get_pages():??????#?使用頁面解釋器讀取頁面??????interpreter.process_page(page)??????#?使用聚合器讀取頁面頁面內容??????layout?=?device.get_result()????????for?out?in?layout:??????????if?hasattr(out,'get_text'):?????#?因為文檔中不只有text文本??????????????pprint(out.get_text())??
需要注意的是在PDF文檔中不只有?text?
還可能有圖片等等，為了確保不出錯先判斷對象是否具有
?
get_text()方法?
完整的代碼
#?encoding:utf-8??'''??@author:??@time:??'''??from?pdfminer.converter?import?PDFPageAggregator??from?pdfminer.layout?import?LAParams??from?pdfminer.pdfparser?import?PDFParser,?PDFDocument??from?pdfminer.pdfinterp?import?PDFResourceManager,?PDFPageInterpreter??from?pdfminer.pdfdevice?import?PDFDevice??from?pprint?import?pprint??from?urllib.request?import?urlopen????#?獲取文檔對象??pdf0?=?open('sampleFORtest.pdf','rb')??#?pdf1?=?urlopen('http://www.tencent.com/zh-cn/content/ir/an/2016/attachments/20160321.pdf')????#?創建一個與文檔關聯的解釋器??parser?=?PDFParser(pdf0)????#?創建一個PDF文檔對象??doc?=?PDFDocument()????#?連接兩者??parser.set_document(doc)??doc.set_parser(parser)????#?文檔初始化??doc.initialize('')????#?創建PDF資源管理器??resources?=?PDFResourceManager()????#?創建參數分析器??laparam?=?LAParams()????#?創建一個聚合器，并接收資源管理器，參數分析器作為參數??device?=?PDFPageAggregator(resources,laparams=laparam)????#?創建一個頁面解釋器??interpreter?=?PDFPageInterpreter(resources,device)????#?使用文檔對象獲取頁面的集合??for?page?in?doc.get_pages():??????#?使用頁面解釋器讀取頁面??????interpreter.process_page(page)??????#?使用聚合器讀取頁面頁面內容??????layout?=?device.get_result()????????for?out?in?layout:??????????if?hasattr(out,'get_text'):?????#?因為文檔中不只有text文本??????????????pprint(out.get_text())??
素材選取是官方提供的
運行的結果：
'Preemptive?Information?Extraction?using?Unrestricted?Relation?Discovery\n'??'Yusuke?Shinyama\n'??'Satoshi?Sekine\n'??'New?York?University\n715,?Broadway,?7th?Floor\nNew?York,?NY,?10003\n'??'{yusuke,sekine}@cs.nyu.edu\n'??'Abstract\n'??('We?are?trying?to?extend?the?boundary?of\n'???'Information?Extraction?(IE)?systems.?Ex-\n'???'isting?IE?systems?require?a?lot?of?time?and\n'???'human?effort?to?tune?for?a?new?scenario.\n'???'Preemptive?Information?Extraction?is?an\n'???'attempt?to?automatically?create?all?feasible\n'???'IE?systems?in?advance?without?human?in-\n'???'tervention.?We?propose?a?technique?called\n'???'Unrestricted?Relation?Discovery?that?dis-\n'???'covers?all?possible?relations?from?texts?and\n'???'presents?them?as?tables.?We?present?a?pre-\n'???'liminary?system?that?obtains?reasonably\n'???'good?results.\n')?
總結
以上是生活随笔為你收集整理的python 读取 pdf 文档的全部內容，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。
