PDF（Portable Document Format，可携带文档格式）是一种以PostScript语言图像模型为基础，在不同电脑、打印机上都能够保持固定的格式。正是因为它这一特性，让PDF备受欢迎。
但是，PDF与很多文档之间的转换往往是不可逆的。
你可以轻松的把Word、PPT、Excel、图像转换成PDF。但是，想要再把PDF转换成图像、文本就变得非常复杂。
我曾经写过一篇利用Python语言处理PDF文档的方式，其中用到了一个第三方工具包PDFMiner。
其实，诸如此类的工具包并不在少数。
本文要介绍的Pdfminer.six是原始PDFMiner的社区维护的分支。
它同样能够同PDF文档中提出信息，并且，它更加侧重读取和解析文本数据。它能够直接从PDF源代码中提取页面中的文本，同时可以获取位置、字体、颜色等信息。
因此，相对于大多数PDF处理工具包，Pdfminer.six在PDF文档处理方面做的更加彻底，效果也更好。
本文，就来介绍一下这个Python工具包的使用。
Pdfminer.six
安装
Pdfminer.six的安装和其他Python工具包一样，非常简单，直接通过pip命令就可以完成安装：
$ pip install pdfminer.six
提取PDF信息
Pdfminer.six提供了2种提取PDF信息的方式：
命名行
Python代码
首先，来看一下利用命令行提取PDF信息的方式。
Pdfminer.six的源代码中提供一些PDF处理工具，它们都被放置在源代码的tools目录下。因此，你可以克隆代码，直接在命令行下调用这些工具脚本提取PDF信息，例如：
$ python tools/pdf2txt.py example.pdfall the text from the pdf appears on the command line
除此之外，还有其他的工具脚本。比如，PDF文本对比、提取PDF内部结构。
其次，再来看一下通过Python代码提取PDF信息。
通过PDF代码提取PDF信息也分2种方式：
高阶接口
自定义
Pdfminer.six目前提供了3个用于PDF处理的高阶接口，它们分别是：
extract_text
extract_text_to_fp
extract_pages
如果，你想提取PDF中的页面或者其中的文本内容，可以直接调用这些高阶接口，没必要从头至尾实现一遍解析代码，例如：
from pdfminer.high_level import extract_texttext = extract_text('samples/simple1.pdf')
当然，PDF的处理场景远不止提取文本和页面这么简单。
有时候，还需要提取图像、字体等信息。
这时候命令行工具和高阶接口就无法胜任，就需要定制化的进行开发，需要用到Pdfminer.six的一些底层接口。
例如，从PDF文件中提取文本并将其保存到python变量中：
from io import StringIOfrom pdfminer.converter import TextConverterfrom pdfminer.layout import LAParamsfrom pdfminer.pdfdocument import PDFDocumentfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.pdfpage import PDFPagefrom pdfminer.pdfparser import PDFParseroutput_string = StringIO()with open('samples/simple1.pdf', 'rb') as in_file: parser = PDFParser(in_file) doc = PDFDocument(parser) rsrcmgr = PDFResourceManager() device = TextConverter(rsrcmgr, output_string, laparams=LAParams()) interpreter = PDFPageInterpreter(rsrcmgr, device) for page in PDFPage.create_pages(doc): interpreter.process_page(page)print(output_string.getvalue())
此外，Pdfminer.six的强大之处在于，它还可以提取PDF文档中字体、大小等更加细节的信息，
from pdfminer.high_level import extract_pagesfrom pdfminer.layout import LTTextContainer, LTCharfor page_layout in extract_pages('test.pdf'): for element in page_layout: if isinstance(element, LTTextContainer): for text_line in element: for character in text_line: if isinstance(character, LTChar): print(character.fontname) print(character.size)
PDF中往往会有很多图像，通过Pdfminer.six内置的脚本，可以把PDF文档中的图像直接提取出来：
$ pdf2txt.py example.pdf --output-dir cats-and-dogs
这样，example.pdf文档中的所有图像都会被提取到cats-and-dogs文件夹下。
结语
PDF作为一种常用的文档格式，目前在网络上很容易就可以找到PDF处理方面的在线或者桌面工具。其中，有很多工具的确很良心。
但是，绝大多数工具都会对处理页数、文档大小有限制。超出限制，就需要付出一定的费用。
如果你有一定的Python开发基础，通过编写代码的方式可以很轻松的完成那些付费才能完成的事情。
而且，它还能够保护自己的隐私数据，避免PDF文档上传到服务器，造成信息泄露。
