PDF的格式不是規范的，很多情況下沒有邏輯結構，不能自適應頁面大小的調整。PDFMiner是通過嘗試猜測PDF的布局來重建其結構，有時候效果并不理想。

import importlib import sys import timeimportlib.reload(sys) time1 = time.time()import os.path from pdfminer.pdfparser import PDFParser,PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import PDFPageAggregator from pdfminer.layout import LTTextBoxHorizontal,LAParams from pdfminer.pdfinterp import PDFTextExtractionNotAlloweddef parse(pdf_path,txt_path):'''解析PDF文本，并保存到TXT文件中'''fp = open(text_path,'rb')# pdf1 = urlopen('http://www.tencent.com/20160321.pdf')#用文件對象創建一個PDF文檔分析器parser = PDFParser(fp)#創建一個PDF文檔doc = PDFDocument()#連接分析器，與文檔對象parser.set_document(doc)doc.set_parser(parser)#提供初始化密碼，如果沒有密碼，就創建一個空的字符串doc.initialize()#檢測文檔是否提供txt轉換，不提供就忽略if not doc.is_extractable:raise PDFTextExtractionNotAllowedelse:#創建PDF，資源管理器，來共享資源rsrcmgr = PDFResourceManager()#創建一個PDF設備對象laparams = LAParams()device = PDFPageAggregator(rsrcmgr,laparams=laparams)#創建一個PDF解釋其對象interpreter = PDFPageInterpreter(rsrcmgr,device)#循環遍歷列表，每次處理一個page內容# doc.get_pages() 獲取page列表for page in doc.get_pages():interpreter.process_page(page)#接受該頁面的LTPage對象layout = device.get_result()# 這里layout是一個LTPage對象 里面存放著 這個page解析出的各種對象# 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等# 想要獲取文本就獲得對象的text屬性，for x in layout:if(isinstance(x,LTTextBoxHorizontal)):with open(txt_path,'a') as f:results = x.get_text()print(results)f.write(results +"\n")if __name__ == '__main__':pdf_path = './test.pdf'txt_path = './test.txt'parse(pdf_path,txt_path)time2 = time.time()print("總共消耗時間為:",time2-time1)

上述代碼只能解析正常的PDF內容，在實際應用場景中，很多PDF文檔可能是加密的，如何處理解密的PDF文件，也是我們需要get的技能。

pydf2這個庫能夠實現對PDF文件進行加密和解密。

總結

以上是生活随笔為你收集整理的PDFMiner：python 读取 pdf 内容的全部內容，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。