使用Python抽取PDF文件内容,包括文本、图像、线条等对象
来源:互联网 发布:mac 改桌面图标大小 编辑:程序博客网 时间:2024/06/01 08:07
使用Python抽取PDF文件内容,包括文本、图像、线条等对象
摘要:这篇文章主要介绍如何使用Python【3.6版本】中的PDFminer3k
模块来抽取PDF内容,包括文本、图像、曲线等。
1.安装PDFminer3k
使用pip
命令安装
pip install pdfminer3k
2.编写测试
- 你可以在这里获得官方参考:PDFMiner
- 如果你不喜欢看英文的官方文档,这里的翻译也许对你有帮助:中文PDFMiner文档
下面的程序,我拓展了官方给出的例子,你可以通过这个例子统计出来你的pdf文件一共包含哪些内容,比如文本框,曲线,图片等
#!/usr/bin/python# -*- coding: utf-8 -*-__author__ = 'yooongchun'import sysimport importlibimportlib.reload(sys)from pdfminer.pdfparser import PDFParser,PDFDocumentfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import PDFPageAggregatorfrom pdfminer.layout import *from pdfminer.pdfinterp import PDFTextExtractionNotAllowed'''解析pdf文件,获取文件中包含的各种对象'''# 解析pdf文件函数def parse(pdf_path): fp = open(pdf_path, 'rb') # 以二进制读模式打开 # 用文件对象来创建一个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 来管理共享资源 rsrcmgr = PDFResourceManager() # 创建一个PDF设备对象 laparams = LAParams() device = PDFPageAggregator(rsrcmgr, laparams=laparams) # 创建一个PDF解释器对象 interpreter = PDFPageInterpreter(rsrcmgr, device) # 用来计数页面,图片,曲线,figure,水平文本框等对象的数量 num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0 # 循环遍历列表,每次处理一个page的内容 for page in doc.get_pages(): # doc.get_pages() 获取page列表 num_page += 1 # 页面增一 interpreter.process_page(page) # 接受该页面的LTPage对象 layout = device.get_result() for x in layout: if isinstance(x,LTImage): # 图片对象 num_image += 1 if isinstance(x,LTCurve): # 曲线对象 num_curve += 1 if isinstance(x,LTFigure): # figure对象 num_figure += 1 if isinstance(x, LTTextBoxHorizontal): # 获取文本内容 num_TextBoxHorizontal += 1 # 水平文本框对象增一 # 保存文本内容 with open(r'test.txt', 'a') as f: results = x.get_text() f.write(results + '\n') print('对象数量:\n','页面数:%s\n'%num_page,'图片数:%s\n'%num_image,'曲线数:%s\n'%num_curve,'水平文本框:%s\n' %num_TextBoxHorizontal)if __name__ == '__main__': pdf_path = r'C:\Users\fanyu\Desktop\pdf\test.pdf' parse(pdf_path)
其实在上面的layout
对象中有更多的内容可提取,这个自己按需来写就好,然后对曲线,文本框等对象,都会有位置属性,可直接获取,自己debug
查看以下对象属性获取即可。
这篇文章主要介绍抽取PDF文件内容,下一篇将会介绍如何使用抽取出来的内容和位置重新写入pdf文件中去!
阅读全文
0 0
- 使用Python抽取PDF文件内容,包括文本、图像、线条等对象
- 使用 Node.js 对文本内容分词和关键词抽取
- 使用iText7----生成纯文本、图片、表格内容的pdf文件
- 【python PDF解析】python 读取PDF文件内容
- 通过XPDF抽取PDF中的中文文本
- 通过XPDF抽取PDF中的中文文本
- 利用PDFBox提取pdf文件文本内容的分析
- 如何编辑修改PDF文件的文本内容
- 如何编辑pdf文件并添加文本内容
- java抽取word,pdf等数据
- lucene.net,包括对htm,word,doc,pdf,等等式进行parse解析,取得内容
- 使用Aspose.Pdf在PDF文件中调整文本
- Python比较两个文件(txt,csv等)相同内容合并同一文件/文本时间大小比较大小
- 去除xml标签,抽取文本内容
- 使用jacob调用Windows的com对象,转换Office文件为pdf、html等
- Apache TIKA---抽取多类型文件文本内容和文件的“隐藏信息”
- 使用xpdf读取PDF文件内容
- Tika文本提取工具的使用(word、pdf、excel等)
- 基于extjs4 + svg工作流编辑器设计
- 路由传值介绍
- 2017.9.7 JC loves Mkk 失败总结
- Deep Learning 了解有感
- 程序员3年之痒——改变不止薪水
- 使用Python抽取PDF文件内容,包括文本、图像、线条等对象
- python网络系列之二(显现request )
- Eureka中的核心概念
- egl.chooseconfig
- leetcode476. Number Complement
- IOS第三方开源项目
- Re库基本用法
- 用户故事地图编写方法
- 微擎 -- 模块安装,新老版本版权保护问题解决方法