背景：最近剛好需要將一個pdf的內容打出來，這是個比較枯燥的內容，而且pdf裡面的文字明顯是規範的，所以想寫個指令碼讀取內容，直接複製貼上。剛好，python的理念就是不重複造輪子，這樣的包自然是有的，這個指令碼最主要的包就是pdfminer3k。

1.思路

解析出文件，按頁儲存進txt檔案即可。

2.完整程式碼

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


def parse_pdf(filepath):
    # 建立檔案流
    fp = open(filepath, 'rb')
    # 從檔案中獲取資料，得到一個解析物件
    parser = PDFParser(fp)
    # 連線文件和分析器
    pdoc = PDFDocument()
    parser.set_document(pdoc)
    pdoc.set_parser(parser)

    # 沒有密碼，初始化密碼為空
    pdoc.initialize()
    # 檢測文件是否提供文字提取
    if not pdoc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 建立PDf資源管理器物件來管理共享資源，catching=False表示不快取
        pm = PDFResourceManager(caching=False)
        # 建立一個PDF引數分析器
        laparams = LAParams()
        # 建立頁面聚合物件
        device = PDFPageAggregator(pm, laparams=laparams)
        # 建立一個PDF解析器物件
        interpreter = PDFPageInterpreter(pm, device)
        # 獲取page列表
        pages = pdoc.get_pages()
        # 迴圈遍歷page列表，按頁處理
        for page in pages:
            # 使用頁面直譯器來讀取
            interpreter.process_page(page)
            # 使用聚合器獲取內容
            layout = device.get_result()
            # 這裡layout是一個LTPage物件 裡面存放著解析出的各種物件
            for item in layout:
                # 獲取文字
                if isinstance(item, LTTextBoxHorizontal):
                    rst = item.get_text()
                    with open("test.txt", 'a', encoding='utf-8') as f:
                        f.write(rst)


if __name__ == '__main__':
    filepath = 'test.pdf'
    parse_pdf(filepath)
 

3.錯誤可能

我在寫指令碼時遇到了一個問題，這個問題還比較常見。

 pdfminer.pdfparser.PDFEncryptionError: Unknown algorithm: param={'CF': {'StdCF': {'AuthEvent': /DocOpen, 'CFM': /V2, 'Length':16}},'Filter':/Standard,'Length':128,'O':b':\r\x18\xf4\xe7i\x1ca\x80\xc9UqX\xdb\xdf\xa4\xaa\x0e\x80J,Xqra\xac\xe8\r\xf1\xb94\xf5','P':-3392,'R':4,'StmF':/StdCF,'StrF':/StdCF,'U':b'\xbc7/j\xc4\xc2)\xe6g\xebX\xc2\x81\x10n\x97\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00', 'V': 4}

這段錯誤的原因主要是預設現在的pdf檔案就算你開啟就能看，但是其實還是設定了一個空密碼，而pdfminer3k是不認的，它認為就算需要密碼，這裡可以隨便找個線上網站處理一下空密碼解鎖pdf檔案。

其實這樣的空密碼加密表面上對讀者沒有影響，但是其實是為了防止複製貼上而已。

4.原始檔

5. 執行結果