python读pdf

# encoding: utf-8
import sys
import importlib
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams, LTImage, LTCurve, LTFigure
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfpage import PDFPage

path = "1.pdf"


def parse():
    fp = open(path, 'rb')
    # 用文件对象来创建一个pdf文档分析器PDFParser
    praser = PDFParser(fp)
    # 创建一个PDF文档PDFDocument
    doc = PDFDocument(praser)

    # 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PDFResourceManager
        rsrcmgr = PDFResourceManager()
        # 创建一个PDF设备对象LAParams
        laparams = LAParams()
        # 创建聚合器,用于读取文档的对象PDFPageAggregator
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 创建一个PDF解释器对象,对文档编码，解释成Python能够识别的格式：PDFPageInterpreter
        interpreter = PDFPageInterpreter(rsrcmgr, device)

        # 循环遍历列表，每次处理一个page的内容
        for page in PDFPage.create_pages(doc):  # doc.get_pages() 获取page列表
            # 利用解释器的process_page()方法解析读取单独页数
            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,想要获取文本就获得对象的text属性，
            # 使用聚合器get_result()方法获取页面内容
            layout = device.get_result()
            for x in layout:
                if isinstance(x, LTTextBoxHorizontal):
                    # 需要写出编码格式
                    with open(r'1.txt', 'a', encoding='utf-8') as f:
                        results = x.get_text()
                        f.write(results + '\n')




if __name__ == '__main__':
    parse()

pdf链接：（可下载重命名即可）base64

aHR0cHM6Ly9nZ3p5LmhlZmVpLmdvdi5jbi8vRXBvaW50V2ViQnVpbGRlci9XZWJidWlsZGVyTUlTL2F0dGFjaC9kb3dubG9hZFp0YkF0dGFjaC5qc3B4P2F0dGFjaEd1aWQ9NzBkOTlmNTMtMWY2ZC00YmZhLThkNTctZTUwYTEwMjIwODQ3JmFwcFVybEZsYWc9enRiQXR0YWNoJnNpdGVHdWlkPTdlYjVmN2YxLTkwNDEtNDNhZC04ZTEzLThmY2I4MmVhODMxYQ==

# encoding: utf-8 import sys import importlib from pdfminer.pdfparser import PDFParser from pdfminer.pdfdocument import PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import PDFPageAggregator from pdfminer.layout import LTTextBoxHorizontal, LAParams, LTImage, LTCurve, LTFigure from pdfminer.pdfpage import PDFTextExtractionNotAllowed from pdfminer.pdfpage import PDFPage path = "1.pdf" def parse(): fp = open(path, 'rb') # 用文件对象来创建一个pdf文档分析器PDFParser praser = PDFParser(fp) # 创建一个PDF文档PDFDocument doc = PDFDocument(praser) # 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PDFResourceManager rsrcmgr = PDFResourceManager() # 创建一个PDF设备对象LAParams laparams = LAParams() # 创建聚合器,用于读取文档的对象PDFPageAggregator device = PDFPageAggregator(rsrcmgr, laparams=laparams) # 创建一个PDF解释器对象,对文档编码，解释成Python能够识别的格式：PDFPageInterpreter interpreter = PDFPageInterpreter(rsrcmgr, device) # 循环遍历列表，每次处理一个page的内容 for page in PDFPage.create_pages(doc): # doc.get_pages() 获取page列表 # 利用解释器的process_page()方法解析读取单独页数 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,想要获取文本就获得对象的text属性， # 使用聚合器get_result()方法获取页面内容 layout = device.get_result() for x in layout: if isinstance(x, LTTextBoxHorizontal): # 需要写出编码格式 with open(r'1.txt', 'a', encoding='utf-8') as f: results = x.get_text() f.write(results + '\n') if __name__ == '__main__': parse()