python办公自动化（5）识别PDF文件中文字

python办公自动化（5）识别PDF文件中文字

pdfminer官网说明：由于PDF文件具有如此大而复杂的结构，因此将PDF文件解析为一个整体会浪费时间和内存。但是，并非大多数PDF处理任务都需要每个部分。因此，PDFMiner采取了一种惰性分析策略，即仅在必要时才对内容进行解析。要解析PDF文件，您至少需要使用两个类：PDFParser和PDFDocument。这两个对象相互关联。 PDFParser从文件中获取数据并PDFDocument存储。您还需要 PDFPageInterpreter处理页面内容并将PDFDevice其转换为所需的内容。 PDFResourceManager用于存储共享资源，例如字体或图像

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator

def parase_pdf2text(pdf_path,pasword,text_path):
    # Create a PDF parser object associated with the file object.
    parser = PDFParser(open(pdf_path, 'rb'))
    # Create a PDF document object that stores the document structure.
    document = PDFDocument(parser=parser, password=pasword)
    # Check if the document allows text extraction. If not, abort.
    if not document.is_extractable:
        #raise PDFTextExtractionNotAllowed
        print('-------------没有可提取的文字-------------')
    else:
        # Create a PDF resource manager object that stores shared resources.
        rsrcmagr = PDFResourceManager()
        # Create a PDF device object.
        laparams = LAParams()
        #将资源管理器和设备对象聚合
        device = PDFPageAggregator(rsrcmgr=rsrcmagr,laparams=laparams)
        # Create a PDF interpreter object.
        interpreter = PDFPageInterpreter(rsrcmagr, device)
        newfile=open(text_path,'w',errors='ignore')
        # Process each page contained in the document.
        for page in PDFPage.create_pages(document):
            interpreter.process_page(page)
            # 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
            layout = device.get_result()
            for x in layout:
                if (isinstance(x, LTTextBoxHorizontal)):
                       newfile.write(x.get_text())
        newfile.close()

if __name__ == '__main__':
    parase_pdf2text('简历.pdf','','简历.txt')