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。
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 pdfminer.converter import TextConverter from pdfminer.layout import LAParams from pdfminer.pdfinterp import PDFResourceManager, process_pdf rsrcmgr = PDFResourceManager() device = TextConverter(rsrcmgr, retstr, laparams=laparams) process_pdf(rsrcmgr, device, pdf) content = retstr.getvalue() lines = str(content).split('\n') if __name__ == '__main__': with open('t1.pdf', 'rb') as 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:
from pdfminer.converter import TextConverter from pdfminer.layout import LAParams from pdfminer.pdfinterp import PDFResourceManager, process_pdf rsrcmgr = PDFResourceManager() device = TextConverter(rsrcmgr, retstr, laparams=laparams) process_pdf(rsrcmgr, device, pdf) content = retstr.getvalue() lines = str(content).split('\n') units = [1, 2, 3, 5, 7, 8, 9, 11, 12, 13] text = open('words.txt', 'w+') if line.startswith(header): text.writelines(line + '\n') if '//' in line and flag: text_line = line.split('//')[0].split('. ')[-1] text.writelines(text_line+'\n') my_pdf = open('t1.pdf', 'rb') if __name__ == '__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。
|