python办公自动化（5）识别PDF文件中文字

小鱼儿 2023-02-12 04:28 23阅读 0赞

## python办公自动化（5）识别PDF文件中文字 ##

pdfminer[官网][Link 1]说明：由于PDF文件具有如此大而复杂的结构，因此将PDF文件解析为一个整体会浪费时间和内存。但是，并非大多数PDF处理任务都需要每个部分。因此，PDFMiner采取了一种惰性分析策略，即仅在必要时才对内容进行解析。要解析PDF文件，您至少需要使用两个类：PDFParser和PDFDocument。这两个对象相互关联。 PDFParser从文件中获取数据并PDFDocument存储。您还需要 PDFPageInterpreter处理页面内容并将PDFDevice其转换为所需的内容。 PDFResourceManager用于存储共享资源，例如字体或图像

from pdfminer.pdfparser import PDFParser
    from pdfminer.pdfdocument import PDFDocument
    from pdfminer.pdfpage import PDFPage
    from pdfminer.layout import LTTextBoxHorizontal, LAParams
    from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter
    from pdfminer.converter import PDFPageAggregator
    
    def parase_pdf2text(pdf_path,pasword,text_path):
        # Create a PDF parser object associated with the file object.
        parser = PDFParser(open(pdf_path, 'rb'))
        # Create a PDF document object that stores the document structure.
        document = PDFDocument(parser=parser, password=pasword)
        # Check if the document allows text extraction. If not, abort.
        if not document.is_extractable:
            #raise PDFTextExtractionNotAllowed
            print('-------------没有可提取的文字-------------')
        else:
            # Create a PDF resource manager object that stores shared resources.
            rsrcmagr = PDFResourceManager()
            # Create a PDF device object.
            laparams = LAParams()
            #将资源管理器和设备对象聚合
            device = PDFPageAggregator(rsrcmgr=rsrcmagr,laparams=laparams)
            # Create a PDF interpreter object.
            interpreter = PDFPageInterpreter(rsrcmagr, device)
            newfile=open(text_path,'w',errors='ignore')
            # Process each page contained in the document.
            for page in PDFPage.create_pages(document):
                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
                layout = device.get_result()
                for x in layout:
                    if (isinstance(x, LTTextBoxHorizontal)):
                           newfile.write(x.get_text())
            newfile.close()
    
    if __name__ == '__main__':
        parase_pdf2text('简历.pdf','','简历.txt')

[Link 1]: https://pypi.org/project/pdfminer/#files