Beispiel für die Verwendung von Python zur Ausgabe von PDF in TXT

Das Folgende ist ein Beispiel für die Verwendung von Python zur Ausgabe von PDF-Dateien in TXT. Es hat einen guten Referenzwert und ich hoffe, dass es für alle hilfreich ist. Lass uns einen Blick darauf werfen

Ein Klassenkamerad hat mich vor einer Woche danach gefragt. Da ich schon einmal am Huawei-Wettbewerb teilgenommen habe, habe ich mir den Wettbewerb angesehen und herausgefunden, dass ich das pdfminer-Paket verwenden muss. Also habe ich es installiert und der Installationsprozess war sehr einfach:

sudo pip install pdfminer;

Es gab keine Fehler in der Mitte. Wie man es nennt, ich habe die PDFMiner-Bibliothek nicht sehr gut studiert, also habe ich Baidu gestartet ...

Offizielle Dokumentation: http://www .unixuser .org/~euske/python/pdfminer/index.html

Komplett in Python geschrieben. (Gilt für Version 2.4 oder neuer)

PDF-Dokumente analysieren, analysieren und konvertieren.

Unterstützung der PDF-1.7-Spezifikation. (Fast)

CJK-Sprache und vertikale Schreibskriptunterstützung.

Unterstützung für verschiedene Schriftarten (Type1, TrueType, Type3 und CID).

Basisverschlüsselung (RC4)-Unterstützung.

PDF- und HTML-Konvertierung.

Extraktion der Gliederung (TOC).

Tag-Inhaltsextraktion.

Erstellen Sie das ursprüngliche Layout neu, indem Sie Textblöcke gruppieren.

Einige Grundklassen

PDFParser: Daten aus einer Datei abrufen

PDFDocument: Die erhaltenen Daten speichern, und PDFParser ist interlated

PDFPageInterpreter verarbeitet den Seiteninhalt

PDFDevice übersetzt ihn in das von Ihnen benötigte Format

PDFResourceManager wird zum Speichern gemeinsamer Ressourcen wie Schriftarten oder Bilder verwendet.

Einfache Implementierung

Test.pdf lesen und als Output.txt ausgeben:

# -*- coding: utf-8 -*-  
from pdfminer.pdfparser import PDFParser 
from pdfminer.pdfdocument import PDFDocument 
from pdfminer.pdfpage import PDFPage 
from pdfminer.pdfpage import PDFTextExtractionNotAllowed 
from pdfminer.pdfinterp import PDFResourceManager 
from pdfminer.pdfinterp import PDFPageInterpreter 
from pdfminer.pdfdevice import PDFDevice 
from pdfminer.layout import * 
from pdfminer.converter import PDFPageAggregator 
import os 
fp = open('test.pdf', 'rb') 
#来创建一个pdf文档分析器 
parser = PDFParser(fp) 
#创建一个PDF文档对象存储文档结构 
document = PDFDocument(parser) 
# 检查文件是否允许文本提取 
if not document.is_extractable: 
 raise PDFTextExtractionNotAllowed 
else: 
 # 创建一个PDF资源管理器对象来存储共赏资源 
 rsrcmgr=PDFResourceManager() 
 # 设定参数进行分析 
 laparams=LAParams() 
 # 创建一个PDF设备对象 
 # device=PDFDevice(rsrcmgr) 
 device=PDFPageAggregator(rsrcmgr,laparams=laparams) 
 # 创建一个PDF解释器对象 
 interpreter=PDFPageInterpreter(rsrcmgr,device) 
 # 处理每一页 
 for page in PDFPage.create_pages(document): 
  interpreter.process_page(page) 
  # 接受该页面的LTPage对象 
  layout=device.get_result() 
  for x in layout: 
   if(isinstance(x,LTTextBoxHorizontal)): 
    with open('output.txt','a') as f: 
     f.write(x.get_text().encode('utf-8')+'\n')

Verwandte Empfehlungen:

Python-Methode zum Konvertieren von PDF in Bilder

Das obige ist der detaillierte Inhalt vonBeispiel für die Verwendung von Python zur Ausgabe von PDF in TXT. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!