pdf

标签：parser   word   from   manager   load   rip   加密   users   密码   

模块准备 ：   pip  install pdfminer.six

import re

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

root= r‘C:\Users\jiaotianhang\Downloads\pdf‘
# 获取pdf文档
fp = open(‘%s/%s‘%(root,‘ghi.pdf‘), ‘rb‘)

# 创建一个与文档相关的解释器
parser = PDFParser(fp)

# pdf文档的对象，与解释器连接起来
doc = PDFDocument(parser=parser)
parser.set_document(doc=doc)

# 如果是加密pdf，则输入密码
# doc._initialize_password()

# 创建pdf资源管理器
resource = PDFResourceManager()

# 参数分析器
laparam = LAParams()

# 创建一个聚合器
device = PDFPageAggregator(resource, laparams=laparam)

# 创建pdf页面解释器
interpreter = PDFPageInterpreter(resource, device)

# 获取页面的集合
for page in PDFPage.get_pages(fp):
    # 使用页面解释器来读取
    interpreter.process_page(page)

    # 使用聚合器来获取内容
    layout = device.get_result()
    for out in layout:
        if hasattr(out, ‘get_text‘):
            # print(out.get_text())
            ooo = re.sub(r‘\(cid:\d+\)‘,‘‘,out.get_text())
            # 写入txt文件
            if ooo.strip():
                fw = open(‘exam3.txt‘, ‘a‘,encoding=‘utf-8‘)
                fw.write(ooo)
                fw.close()
            # fw.write(out.get_text())

pdf

标签：parser   word   from   manager   load   rip   加密   users   密码   

原文地址：https://www.cnblogs.com/chenxiyuxiao/p/11053811.html