1.安裝PDFminer3k

使用pip 命令安裝

pip install pdfminer3k

2.編寫測試

你可以在這裡獲得官方參考：PDFMiner

如果你不喜歡看英文的官方文件，這裡的翻譯也許對你有幫助：中文PDFMiner文件

下面的程式，我拓展了官方給出的例子，你可以通過這個例子統計出來你的pdf檔案一共包含哪些內容，比如文字框，曲線，圖片等

#!/usr/bin/python
# -*- coding: utf-8 -*-

__author__ = 'yooongchun'

import sys
import importlib
importlib.reload(sys)

from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import *
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

'''
解析pdf檔案，獲取檔案中包含的各種物件
'''


# 解析pdf檔案函式
def parse(pdf_path):
  fp = open(pdf_path,'rb') # 以二進位制讀模式開啟
  # 用檔案物件來建立一個pdf文件分析器
  parser = PDFParser(fp)
  # 建立一個PDF文件
  doc = PDFDocument()
  # 連線分析器 與文件物件
  parser.set_document(doc)
  doc.set_parser(parser)

  # 提供初始化密碼
  # 如果沒有密碼 就建立一個空的字串
  doc.initialize()

  # 檢測文件是否提供txt轉換，不提供就忽略
  if not doc.is_extractable:
    raise PDFTextExtractionNotAllowed
  else:
    # 建立PDf 資源管理器 來管理共享資源
    rsrcmgr = PDFResourceManager()
    # 建立一個PDF裝置物件
    laparams = LAParams()
    device = PDFPageAggregator(rsrcmgr,laparams=laparams)
    # 建立一個PDF直譯器物件
    interpreter = PDFPageInterpreter(rsrcmgr,device)

    # 用來計數頁面，圖片，曲線，figure，水平文字框等物件的數量
    num_page,num_image,num_curve,num_figure,num_TextBoxHorizontal = 0,0

    # 迴圈遍歷列表，每次處理一個page的內容
    for page in doc.get_pages(): # doc.get_pages() 獲取page列表
      num_page += 1 # 頁面增一
      interpreter.process_page(page)
      # 接受該頁面的LTPage物件
      layout = device.get_result()
      for x in layout:
        if isinstance(x,LTImage): # 圖片物件
          num_image += 1
        if isinstance(x,LTCurve): # 曲線物件
          num_curve += 1
        if isinstance(x,LTFigure): # figure物件
          num_figure += 1
        if isinstance(x,LTTextBoxHorizontal): # 獲取文字內容
          num_TextBoxHorizontal += 1 # 水平文字框物件增一
          # 儲存文字內容
          with open(r'test.txt','a') as f:
            results = x.get_text()
            f.write(results + '\n')
    print('物件數量：\n','頁面數：%s\n'%num_page,'圖片數：%s\n'%num_image,'曲線數：%s\n'%num_curve,'水平文字框：%s\n'
       %num_TextBoxHorizontal)


if __name__ == '__main__':
  pdf_path = r'C:\Users\fanyu\Desktop\pdf\test.pdf'
  parse(pdf_path)
 

其實在上面的layout 物件中有更多的內容可提取，這個自己按需來寫就好，然後對曲線，文字框等物件，都會有位置屬性，可直接獲取,自己debug 檢視以下物件屬性獲取即可。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。