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
import pandas as
 
 pd


def Pdf_to_txt(fp):
    # 建立一個pdf文件分析器
    praser_pdf = PDFParser(fp)
    # # 建立一個PDF文件
    document = PDFDocument(praser_pdf)
    # 連線分析器 與文件物件
    praser_pdf.set_document(document)
    document.set_parser(praser_pdf)

    # 檢測文件是否提供txt轉換，不提供就忽略
    if not document.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引數分析器
        laparams = LAParams()
        # 建立聚合器
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 建立一個PDF頁面直譯器物件
        interpreter = PDFPageInterpreter(rsrcmgr, device)
        # 迴圈遍歷列表，每次處理一頁的內容
 

        # doc.get_pages() 獲取page列表
        for page in document.get_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()
            title = []
            lin1, lin2, lin3, lin4, lin5, lin6, lin7, lin8 = [], [], [], [], [], [], [], []
            num = 0
            # 這裡layout是一個LTPage物件 裡面存放著 這個page解析出的各種物件 一般包括LTTextBox, 
            # LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文字就獲得物件的text屬性，
            for lin in layout:
                # 判斷是否含有get_text()方法，圖片之類的就沒有
                if isinstance(lin, LTTextBoxHorizontal):
                    results = lin.get_text()
                    results = results.strip('\n')
                    print("results: " + results)
                    if num == 0:
                        title.append(results)
                    elif num == 1:
                        lin1.append(results)
                    elif num == 2:
                        lin2.append(results)
                    elif num == 3:
                        lin3.append(results)
                    elif num == 4:
                        lin4.append(results)
                    elif num == 5:
                        lin5.append(results)
                    elif num == 6:
                        lin6.append(results)
                    elif num == 7:
                        lin7.append(results)
                    elif num == 8:
                        lin8.append(results)
                        num = 0
                    num += 1
            Lin_num = len(lin8)
            data = {'Lin1': lin1[:Lin_num], 'Lin2': lin2[:Lin_num], 'Lin3': lin3[:Lin_num], 'Lin4': lin4[:Lin_num], 'Lin5': lin5[:Lin_num], 'Lin6': lin6[:Lin_num], 'Lin7': lin7[:Lin_num], 'Lin8': lin8[:Lin_num]}
            df = pd.DataFrame(data, columns=['Lin1', 'Lin2', 'Lin3', 'Lin4', 'Lin5', 'Lin6', 'Lin7', 'Lin8'])
            file_name = title[0] + '_page' + str((i + 1))
            df.to_csv('tool/pdf解析/%s.txt' % file_name, index=False, sep='\t')


    if __name__ == '__main__':
        filename = 'E:/tempFile/Monthly_new_MA_listing_April_2017.pdf'
        fp = open(filename, 'rb')
        Pdf_to_txt(fp)