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：

from io import StringIO
from io import open
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
def read_pdf(pdf):
    # resource manager
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    # device
    device = TextConverter(rsrcmgr, retstr, laparams=laparams)
    process_pdf(rsrcmgr, device, pdf)
    device.close()
    content = retstr.getvalue()
    retstr.close()
    # 获取所有行
    lines = str(content).split('\n')
    return lines
if __name__ == '__main__':
    with open('t1.pdf', 'rb') as my_pdf:
        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：

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