使用Python抽取PDF檔案內容，包括文字、影象、線條等物件

摘要：這篇文章主要介紹如何使用Python【3.6版本】中的PDFminer3k 模組來抽取PDF內容，包括文字、影象、曲線等。

作者：yooongchun
微信公眾號：yooongchun小屋

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, 0, 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。