Python读取PDF文档(或TXT)
字符串在Python内部的表示是Unicode编码,首先我们来认识Python中encode()和decode()的作用与区别:
在做编码转换时,通常需要以unicode作为中间编码,即先将其他编码的字符解码(decode)成unicode,再从unicode编码(encode)成另一种编码。
decode的作用是将其他编码的字符转换成unicode编码,如str1,decode(‘gb2312’),表示将gb2312编码的字符串str1转换成unicode编码。
encode的作用是将unicode编码转换成其他编码的字符串,如str2,encode(‘gb2312’),表示将unicode编码的字符串str2转换成gb2312编码。
常见文档读取有:
- TXT
其中TXT文档的读取较为简单,爬取网页数据时注意read()的编码设置即可
我们主要来介绍使用pdfminer3k模块读取PDF
· 文档PDF的Python读取:
——英文PDF文件支持最好且只支持英文PDF是pyPDF2库
——而对于多语言PDF文件支持最好的则是pdfminer,我们这里就使用pdfminer3k库来实现读取PDF。
1. 安装pdfminer3k:
——pip install pdfminer3k
——python setup.py install`在这里插入代码片`
2. 验证安装pdfminer3k是否成功:
在cmd下,进入tools目录下( cd ~/Downloads/pdfminer3k-1.3.1/tools)后使用命令 ——python3 pdf2txt.py ../samples/simple1.pdf #..是退回上一层目录的意思
3. Python读取PDF文档:
pdfminer3k中类的关系:
读取流程:
——打开pdf文档的文件对象:
fp = open("naacl06-shinyama.pdf", 'rb') #本地文档
fp = urlopen('https://www.tencent.com/zh-cn/articles/802741466496787.pdf') #在线pdf
——创建文档分析器(解析器):
pdf_parser = PDFParser(fp) #传入pdf,从中获取数据
——创建文档对象,保存获取的数据:
pdf_doc = PDFDocument() #保存获取的数据,和PDFParser是相互关联的
——连接分析器和文档对象:
pdf_parser.set_document(doc)
doc.set_parser(pdf_parser)
——判断文件是否允许文本提取:
if not doc.is_extractable:raise PDFTextExtractionNotAllowed #raise如果抛出异常,后续语句不执行
——对文档对象提供密码(password)初始化,没有就不用传该参数:
doc.initialize("")
——创建资源管理器:
resource = PDFResourceManager() #用于存储共享资源,如字体或图像
——创建参数分析器:
laparam = LAParams()
——创建一个页面聚合器对象:
device = PDFPageAggregator(resource, laparams=laparam)
——创建一个页面解析器对象来处理页面内容:
interpreter = PDFPageInterpreter(resource, device) #传入的是页面资源和聚合器对象
——获取page列表:
doc.get_pages()
——使用页面解释器来读取:
interpreter.process_page(page)
——使用页面聚合器获得内容:
layout = device.get_result() #这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象
——循环遍历取出聚合器获得的对象内容:
for out in layout: if hasattr(out, 'get_text'): #判断out对象是否具有get_text方法print(out.get_text()) #输出out对象
Layout布局分析返回的PDF文档中的每个页面LTPage对象。这个对象和页内包含的子对象,形成一个树结构。如图所示:
树结构节点含义:
节点 | 含义 |
---|---|
LTPage | 表示整个页。可能会含有LTTextBox,LTFigure,LTImage,LTRect,LTCurve和LTLine子对象 |
LTTextBox | 表示一组文本块可能包含在一个矩形区域。注意此box是由几何分析中创建,并且不一定表示该文本的一个逻辑边界。它包含LTTextLine对象的列表。使用 get_text()方法返回文本内容 |
LTTextLine | 包含表示单个文本行LTChar对象的列表。字符对齐要么水平或垂直,取决于文本的写入模式。使用get_text()方法返回文本内容 |
LTAnno | 在文本中字母实际上被表示为Unicode字符串。需要注意的是,虽然一个LTChar对象具有实际边界,LTAnno对象没有,因为这些是“虚拟”的字符,根据两个字符间的关系(例如,一个空格)由布局分析后插入 |
LTImage | 表示一个图像对象。嵌入式图像可以是JPEG或其它格式,但是目前PDFMiner没有放置太多精力在图形对象 |
LTLine | 代表一条直线。可用于分离文本或附图 |
LTRect | 表示矩形。可用于框架的另一图片或数字。 |
LTCurve | 表示一个通用的Bezier曲线 |
读取PDF文档完整实例:
from urllib.request import urlopen
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevicefrom pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams#获取文档
#fp = open("naacl06-shinyama.pdf", 'rb')
fp = urlopen('https://www.tencent.com/zh-cn/articles/802741466496787.pdf')#创建解释器
pdf_parser = PDFParser(fp)#PDF文档对象
doc = PDFDocument()#连接解释器和文档对象
parser.set_document(doc)
doc.set_parser(parser)#初始化文档
doc.initialize()#创建PDF资源管理器
resource = PDFResourceManager()# 创建一个PDF参数分析器
laparam = LAParams()# 创建聚合器
device = PDFPageAggregator(resource, laparams=laparam)#创建PDF页面解析器
interpreter = PDFPageInterpreter(resource, device)# 循环遍历列表,每次处理一页的内容
# doc.get_pages() 获取page列表for page in doc.get_pages():#使用页面解释器来读取interpreter.process_page(page)#使用聚合器获得内容layout = device.get_result()for out in layout: if hasattr(out, 'get_text'):print(out.get_text())
Python读取PDF文档(或TXT)相关推荐
- 数据导入与预处理-第4章-数据获取python读取pdf文档
数据导入与预处理-第4章-数据获取Python读取PDF文档 1 PDF简介 1.1 pdf是什么 2 Python操作PDF 2.1 pdfplumber库 2.2 pdfplumber基本操作 2 ...
- python读取pdf文档书签 bookmark_用Python为PDF文件批量添加书签
平时看一些大部头的技术书籍,大多数都是PDF版的,而且有一些书籍是影印扫描版的,几百上千页的书,没有任何书签,想要找到一个章节的位置非常费劲.那么就想,能不能搞一个工具,来自动地为这些大部头的PDF书 ...
- python读取pdf文档书签 bookmark_pdf根据目录生成书签
目录 1 准备 ①Adobe Acrobat ②Autobookmark插件 ③Python3.6 ④pdf电子书的目录bookmarks.txt 2 得到书签标准文件 2.1 bookmarks.t ...
- python读取pdf文档书签 bookmark_Python利用PyPDF2库获取PDF文件总页码实例
Python中可以利用PyPDF2库来获取该pdf文件的总页码,可以根据下面的方法一步步进行下去: 1.首先,要安装PyPDF2库,利用以下命令即可: pip install PyPDF2 2.接着, ...
- python处理pdf实例_python 使用pdfminer3k 读取PDF文档的例子
1.安装 pdfminer3k 通过pip安装: pip install pdfminer3k 下载安装:在网页 https://pypi.org/project/pdfminer3k/1.3.1/# ...
- 【Python】PDF文档导出指定章节为TXT
PDF文档导出指定章节为TXT 需求 要导出3000多个pdf文档的特定章节内容为txt格式(pdf文字可复制). 解决 导出PDF 查了一下Python操作PDF文档的方法,主要是通过3个库,PyP ...
- 如何使用Python将PDF文档转为MP3音频
老许小课堂开课了 一.转语音工具 微信读书里的电子书有配套的自动音频,而且声音优化的不错,比传统的机械朗读听起来舒服很多. 记得之前看到过Python有一个工具包,可以将文字转换为语音,支持英文和中文 ...
- python——读取docx文档wordcloud生成词云并进行词频统计
文章目录 环境准备 导入库 读取docx并进行分词 词频 词云 设置背景图片(可选) 生成词云 保存词云并显示 环境准备 # 不是docx,是python-docx!!!!!!! pip instal ...
- 教你如何使用 Python 将 pdf 文档进行 加密 解密——python实用小技能分享
上次说了怎么将word转换为pdf格式 及 实现批量将word转换为pdf格式(点击这里),这次我又get到一个新技能–使用 Python 将 pdf 文档进行 加密 解密,哈哈哈 希望帮到更多人 ...
最新文章
- 我隐藏的Excel工作表 你别想取消
- linux 错误处理命令,Linux运行脚本命令提示No such file or directory错误的解决办法
- 后端技术:Nginx 应用场景详解
- 扫地机器人隔板_【扫地机器人使用】_摘要频道_什么值得买
- 信息学奥赛一本通1349-最优布线问题
- wifi驱动总结(2)
- javascript调用ActiveX接口失败的解决方案及使用心得
- html5 机构化元素
- jenkins连接Linux
- 解决启动eureka报错Unable to start web ... nested exception is org.springframework.boot.web.server.WebS
- 塞尔达传说修改器html,塞尔达传说荒野之息内存修改器修改服装教程
- 历史影像高清晰历史卫星影像
- 零基础怎么学好3D建模?只需要了解下面几点
- Kuangbin 带你飞-线段树专题 题解
- SpringCloud自定义负载均衡策略--LoadBalancer
- 根号3表白html,数字表白公式 表白套路情话
- 42步进电机转速力矩曲线_步进电机的转速 – 转矩曲线
- python输出奇数数字序列_python在一串数字中选出奇数-女性时尚流行美容健康娱乐mv-ida网...
- Linux安装CentOS7操作系统详细教程
- 影响人类!写入历史!疫情年最值得铭记的6个大事件