《python数据处理》pdf文件解析模块：pdfminer和pdfplumber
165 浏览量
2020-12-21
01:44:14
上传
评论 2
收藏 64KB PDF 举报
《《python数据处理》数据处理》pdf文件解析模块：文件解析模块：pdfminer和和
pdfplumber
pdfplumber以pdfminer为基础，但是pdfminer的操作过于复杂且代码过于冗长。
注：pdfminer在python3.0以上为pdfminer3k
pdfminer3k 实现解析的代码：
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFTextExtractionNotAllowed,PDFPage
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.converter import PDFPageAggregator
import os
paths = os.listdir('F:\新建文件夹\捕诉')
for path_ in paths:
print(path_)
path = 'F:\新建文件夹\捕诉'+'\' +path_#为什么两条斜杠，是因为转义吗？
open_pdf = open(path,'rb')
pdf_file = PDFParser(open_pdf)
#1、PermissionError: [Errno 13] Permission denied: 'F:\新建文件夹'——
# 2、误产生的原因是文件无法打开，可能产生的原因是文件找不到，或者被占用，或者无权限访问，或者打开的不是文件，
而是一个目录。
doc = PDFDocument(pdf_file)
#print(type(doc))<class 'pdfminer.pdfparser.PDFDocument'
#print(type(pdf_file))
'''可能是需要将文件转入包分析内格式'''
# 检测文档是否提供txt转换，不提供就忽略
# 创建pdf资源管理器 来管理共享资源（字体的导入）
srcmgr = PDFResourceManager()
# 创建一个pdf设备对象
device = PDFPageAggregator(srcmgr, laparams=LAParams())#聚合器
# 创建一个pdf解释器对象
interpreter = PDFPageInterpreter(srcmgr, device)
#print(doc.get_outlines())
#print(PDFPage.get_pages(doc))# 获取page列表
# 循环遍历列表，每次处理一个page的内容
for page in PDFPage.create_pages(doc):
#print(page)
interpreter.process_page(page)
#之前就是为了为这个解析提供工具
#print(type(page))
# 接受该页面的LTPage对象 #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
layout = device.get_result()#页面中的结果
#print(layout)
#print(x)
for x in layout:
if hasattr(x, 'get_text'):#进行if判断是为了剔除非文字
with open('pdfduqu.txt', 'a+', encoding='utf-8') as f:
results = x.get_text()
f.write(results + '')
'''只有最后一页'''
# 最后关闭原始pdf文件
open_pdf.close()
'''太复杂了'''
#layout 在interpreter下面就有三页，可能是由于不在下面，面对的是最后一页的解析
#WARNING:root:GBK-EUC-H 缺失中文解码字体
pdfplumber 实现代码：
import pdfplumber
path = 'E:\桌面文件\捕诉模式\常态社会与运动式治理_中国社会治安治理中的_严打_政策研究_唐皇凤.pdf'
pdf = pdfplumber.open(path)
评论0