1 import sys
2 import importlib
3 importlib.reload(sys)
4
5 from pdfminer.pdfparser import PDFParser,PDFDocument
6 from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
7 from pdfminer.converter import PDFPageAggregator
8 from pdfminer.layout import LTTextBoxHorizontal,LAParams
9 from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
10
11 '''
12 解析pdf 文本，保存到txt文件中
13 '''
14 path = 'C:\Users\needRead.pdf'
15 def parse():
16 fp = open(path, 'rb') # 以二进制读模式打开
17 #用文件对象来创建一个pdf文档分析器
18 praser = PDFParser(fp)
19 # 创建一个PDF文档
20 doc = PDFDocument()
21 # 连接分析器 与文档对象
22 praser.set_document(doc)
23 doc.set_parser(praser)
24
25 # 提供初始化密码
26 # 如果没有密码 就创建一个空的字符串
27 doc.initialize()
28
29 # 检测文档是否提供txt转换，不提供就忽略
30 if not doc.is_extractable:
31 raise PDFTextExtractionNotAllowed
32 else:
33 # 创建PDf 资源管理器 来管理共享资源
34 rsrcmgr = PDFResourceManager()
35 # 创建一个PDF设备对象
36 laparams = LAParams()
37 device = PDFPageAggregator(rsrcmgr, laparams=laparams)
38 # 创建一个PDF解释器对象
39 interpreter = PDFPageInterpreter(rsrcmgr, device)
40
41 # 循环遍历列表，每次处理一个page的内容
42 for page in doc.get_pages(): # doc.get_pages() 获取page列表
43 interpreter.process_page(page)
44 # 接受该页面的LTPage对象
45 layout = device.get_result()
46 # 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，
47 for x in layout:
48 if (isinstance(x, LTTextBoxHorizontal)):
49 with open("C:\Users\trasformatResult.txt", 'a') as f:
50 results = x.get_text()
51 print(results)
52 f.write(results + '
')
53
54 if __name__ == '__main__':
55 parse()
