网站后台进入突然不显示,广州网站建设360元,外贸网站电子建设,哪里有网站建设服务上一篇文章自己研究了一下如何批量将word或者ppt文件转换为PDF文件#xff0c;但是有时候我们也想要将pdf文件转换为word或者txt文件#xff0c;方便复制和处理。本文主要通过调用pdfminer3k模块进行处理。
说明#xff1a;本文是在Windows10下使用python最新的3.6版本虚拟…上一篇文章自己研究了一下如何批量将word或者ppt文件转换为PDF文件但是有时候我们也想要将pdf文件转换为word或者txt文件方便复制和处理。本文主要通过调用pdfminer3k模块进行处理。
说明本文是在Windows10下使用python最新的3.6版本虚拟环境
1. pdfminer3k相关链接GitHubhttps://github.com/jaepil/pdfminer3k
PyPIhttps://pypi.org/project/pdfminer3k/
2. 解析pdf文件用到的类 PDFParserPDF文档分析器从一个文件中获取数据 PDFDocumentPDF文档对象保存获取的数据和PDFParser是相互关联的 PDFResourceManagerPDF资源管理器用于存储共享资源如字体或图像。 LAParamsPDF参数分析器分析pdf文件参数 PDFPageAggregatorPDF聚合器读取获取的文档对象
PDFPageInterpreterPDF文档解析器处理页面内容变成Python可以解析
3.分析思路
整体思路为构造文档对象解析文档对象提取所需内容 4. 具体的代码 #作者cacho_37967865
#博客https://blog.csdn.net/sinat_37967865
#文件pdfConvertor.py
#日期2018-04-29
#备注通过调用PDF解析器pdfminer3k批量将PDF文件转换为word或者txt文件先要在python环境安装pdfminer3k在python运行环境通过命令行方式运行pip3 install pdfminer3k # F:\python_env\PaChong_env
# -*- coding: utf-8 -*-from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal,LAParams
import osdef pdf_to_word(folder,password):# 获取指定目录下面的所有文件files os.listdir(folder)# 获取pdf类型的文件放到一个列表里面pdfFiles [f for f in files if f.endswith(.pdf)]for pdfFile in pdfFiles:# 将pdf文件放到指定的路径下面pdfPath os.path.join(folder, pdfFile)# 设置将要转换后存放word文件的路径wdPath pdfPath# 判断是否已经存在对应的word文件如果不存在就加入到存放word的路径内if wdPath[-3:] ! doc:wdPath wdPath .docfn open(pdfPath, rb)# 创建一个PDF文档分析器PDFParserparser PDFParser(fn)# 创建一个PDF文档PDFDocumentdoc PDFDocument()# 连接分析器与文档parser.set_document(doc)doc.set_parser(parser)# 提供初始化密码如果无密码输入空字符串doc.initialize()# 检测文档是否提供txt转换不提供就忽略if not doc.is_extractable:print(PDFTextExtractionNotAllowed)else:# 创建PDF资源管理器PDFResourceManagerresource PDFResourceManager()# 创建一个PDF参数分析器LAParamslaparams LAParams()# 创建聚合器,用于读取文档的对象PDFPageAggregatordevice PDFPageAggregator(resource, laparamslaparams)# 创建解释器对文档编码解释成Python能够识别的格式PDFPageInterpreterinterpreter PDFPageInterpreter(resource, device)# doc.get_pages() 获取page列表for page in doc.get_pages():# 利用解释器的process_page()方法解析读取单独页数interpreter.process_page(page)# 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,# 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal等等,想要获取文本就获得对象的text属性# 使用聚合器get_result()方法获取页面内容layout device.get_result()for out in layout:if (isinstance(out, LTTextBoxHorizontal)):print(out.get_text())with open(wdPath, a,encodingutf-8) as f:f.write(out.get_text() \n)if __name__ __main__:pdf_to_word(F:\PythonProject\Pacong\docs,)
