PDF转成txt

﹏ヽ暗。殇╰゛Y 2023-06-04 13:53 47阅读 0赞

#Author：Alex.Zhang
    import pyocr
    
    import importlib
    
    import sys
    
    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
    
    text_path = r'parameters in cryo-EM.pdf'
    
    
    # text_path = r'photo-words.pdf'
    
    
    def parse():
        '''解析PDF文本，并保存到TXT文件中'''
    
        fp = open( text_path , '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='utf-8') 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 )

转载于:https://www.cnblogs.com/klausage/p/11621814.html