python读取pdf中的文本

python处理pdf也是常用的技术了，对于python3来说，pdfminer3k是一个非常好的工具。

pip install pdfminer3k

首先，为了满足大部分人的需求，我先给一个通用一点的脚本来读取pdf中的文本：

1. from io import StringIO
2. from io import open
3. from pdfminer.converter import TextConverter
4. from pdfminer.layout import LAParams
5. from pdfminer.pdfinterp import PDFResourceManager, process_pdf
6. def read_pdf(pdf):
7. # resource manager
8. rsrcmgr = PDFResourceManager()
9. retstr = StringIO()
10. laparams = LAParams()
11. # device
12. device = TextConverter(rsrcmgr, retstr, laparams=laparams)
13. process_pdf(rsrcmgr, device, pdf)
14. device.close()
15. content = retstr.getvalue()
16. retstr.close()
17. # 获取所有行
18. lines = str(content).split('\n')
19. return lines
20. if __name__ == '__main__':
21. with open('t1.pdf', 'rb') as my_pdf:
22. print(read_pdf(my_pdf))

---

我主要是想在pdf中抽出自己想要的一些关键信息，所以需要找到这些信息的共同点。幸运的是，这些关键信息的行都含有'//'，所以我只需找到含有'//'的行就行了，于是写了以下脚本。

这样就可以直接使用了，我们先看脚本：

1. from io import StringIO
2. from io import open
3. from pdfminer.converter import TextConverter
4. from pdfminer.layout import LAParams
5. from pdfminer.pdfinterp import PDFResourceManager, process_pdf
6. def read_pdf(pdf):
7. # resource manager
8. rsrcmgr = PDFResourceManager()
9. retstr = StringIO()
10. laparams = LAParams()
11. # device
12. device = TextConverter(rsrcmgr, retstr, laparams=laparams)
13. process_pdf(rsrcmgr, device, pdf)
14. device.close()
15. content = retstr.getvalue()
16. retstr.close()
17. # 获取所有行
18. lines = str(content).split('\n')
19. units = [1, 2, 3, 5, 7, 8, 9, 11, 12, 13]
20. header = '\x0cUNIT '
21. # print(lines[0:100])
22. count = 0
23. flag = False
24. text = open('words.txt', 'w+')
25. for line in lines:
26. if line.startswith(header):
27. flag = False
28. count += 1
29. if count in units:
30. flag = True
31. print(line)
32. text.writelines(line + '\n')
33. if '//' in line and flag:
34. text_line = line.split('//')[0].split('. ')[-1]
35. print(text_line)
36. text.writelines(text_line+'\n')
37. text.close()
38. def _main():
39. my_pdf = open('t1.pdf', 'rb')
40. read_pdf(my_pdf)
41. my_pdf.close()
42. if __name__ == '__main__':
43. _main()

其实看到lines =  str(content).split('\n')那一行就够了，我们可以把lines都print出来，就可以看到pdf里面的内容。

这样我们就可以把pdf文件处理看作简单的字符串数据处理了。接下来的脚本操作也不用过多解释了。