pdf 转换 txt 文件读取文字 安装步骤

1 下载py3.60版本
2 pip install pdfminer3k
pip install pyocr

3 直接把需要转换的pdf 文件放入py程序所在目录

使用

源代码：

import pyocr
import importlib
import sys,io
import time

importlib.reload(sys)
time1 = time.time()

print(“初始时间为：”,time1)

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 PDFTextExtractionNotAllowed

sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding=‘utf8’)

text_path = r’words-words.pdf’

text_path = r’photo-words.pdf’

def parse():
#’’‘解析PDF文本，并保存到TXT文件中’’’
fp = open(‘words-words.pdf’,mode=‘rb’)
#用文件对象创建一个PDF文档分析器
parser = PDFParser(fp)
#创建一个PDF文档
doc = PDFDocument()
#连接分析器，与文档对象
parser.set_document(doc)
doc.set_parser(parser)

#提供初始化密码，如果没有密码，就创建一个空的字符串
doc.initialize()

#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，来共享资源
    rsrcmgr = PDFResourceManager()
    #创建一个PDF设备对象
    laparams = LAParams()
    device = PDFPageAggregator(rsrcmgr,laparams=laparams)
    #创建一个PDF解释其对象
    interpreter = PDFPageInterpreter(rsrcmgr,device)

    #循环遍历列表，每次处理一个page内容
    # doc.get_pages() 获取page列表
    for page in doc.get_pages():
        interpreter.process_page(page)
        #接受该页面的LTPage对象
        layout = device.get_result()
        # 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，
        for x in layout:
            if(isinstance(x,LTTextBoxHorizontal)):
                with open(r'2.txt','a',encoding='utf8') as f:
                    results = x.get_text()
                    print(results)
                    f.write(results  +"\n")

if name == ‘main’:
parse()
time2 = time.time()
print(“总共消耗时间为:”,time2-time1)