<p style="line-height: 1.75em;"><span style="font-family: 微软雅黑, "Microsoft YaHei";"> 1#-*- coding: UTF-8 -*-
2#!/usr/bin/python
3# -*- coding: utf-8 -*-
4
5import sys
6import importlib
7importlib.reload(sys)
8
9from pdfminer.pdfparser import PDFParser,PDFDocument
10from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
11from pdfminer.converter import PDFPageAggregator
12from pdfminer.layout import *
13from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
14import os
15
16#设置工作目录文件夹
17os.chdir(r'c:/users/dicey/desktop/codes/pdf-docx')
18
19'''
20解析pdf文件，获取文件中包含的各种对象
21'''
22# 解析pdf文件函数
23def parse(pdf_path):
24 fp = open('diya.pdf', 'rb') # 以二进制读模式打开
25 # 用文件对象来创建一个pdf文档分析器
26 parser = PDFParser(fp)
27 # 创建一个PDF文档
28 doc = PDFDocument()
29 # 连接分析器 与文档对象
30 parser.set_document(doc)
31 doc.set_parser(parser)
32
33 # 提供初始化密码
34 # 如果没有密码 就创建一个空的字符串
35 doc.initialize()
36
37 # 检测文档是否提供txt转换，不提供就忽略
38 if not doc.is_extractable:
39 raise PDFTextExtractionNotAllowed
40 else:
41 # 创建PDf 资源管理器 来管理共享资源
42 rsrcmgr = PDFResourceManager()
43 # 创建一个PDF设备对象
44 laparams = LAParams()
45 device = PDFPageAggregator(rsrcmgr, laparams=laparams)
46 # 创建一个PDF解释器对象
47 interpreter = PDFPageInterpreter(rsrcmgr, device)
48
49 # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量
50 num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0
51
52 # 循环遍历列表，每次处理一个page的内容
53 for page in doc.get_pages(): # doc.get_pages() 获取page列表
54 num_page += 1 # 页面增一
55 interpreter.process_page(page)
56 # 接受该页面的LTPage对象
57 layout = device.get_result()
58 for x in layout:
59 if isinstance(x,LTImage): # 图片对象
60 num_image += 1
61 if isinstance(x,LTCurve): # 曲线对象
62 num_curve += 1
63 if isinstance(x,LTFigure): # figure对象
64 num_figure += 1
65 if isinstance(x, LTTextBoxHorizontal): # 获取文本内容
66 num_TextBoxHorizontal += 1 # 水平文本框对象增一
67 # 保存文本内容
68 with open(r'test2.doc', 'a',encoding='utf-8') as f: #生成doc文件的文件名及路径
69 results = x.get_text()
70 f.write(results)
71 f.write('\n')
72 print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'曲线数：%s\n'%num_curve,'水平文本框：%s\n'
73 %num_TextBoxHorizontal)
74
75
76if __name__ == '__main__':
77 pdf_path = r'diya.pdf' #pdf文件路径及文件名
78 parse(pdf_path)<br></span></p>
