python提取pdf⽂件中的信息python 读取pdf⽂件有3个扩展包  pdfminer3k（python2中为pdfminer）、fitz和pymupdf
1.pdfminer3k
读取并获得pdf⽂档中的信息：
from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter,PDFTextExtractionNotAllowed
verter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal,LAParams,LTTextLineHorizontal,LTFigure,LTRect,LTLine,LTCurve
#  ⽂件对象
pd_file = open("d.pdf", "rb")
#  pdf⽂件解析对象
parser = PDFParser(pd_file)
# print(parser)
#  pdf⽂档对象
document = PDFDocument()
parser.set_document(document)
document.set_parser(parser)
#  初始化⽂档密码
document.initialize()
if document.is_extractable:
print(True)
else:
raise PDFTextExtractionNotAllowed
#  存储⽂档资源
src = PDFResourceManager()
#  设备对象
device = PDFPageAggregator(src,laparams=LAParams())
#  解释器对象
inter = PDFPageInterpreter(src,device)
pages = _pages()
for page in pages:
#ts)
inter.process_page(page)
layout = _result()
for x in layout:
if isinstance(x, LTTextBoxHorizontal):
print(_text()))
#t = dir(x)
#print(t)
#print(type(x))
以上代码属于搬运⼯ （~⾃带笑哭表情~~~）
上述代码中各个对象的作⽤：
python怎么读取文件中的数据⽂件解析对象（PDFParser）：从⽂件中提取数据
⽂档对象（PDFDocument）： 保存提取到的数据
资源对象（PDFResourceManager）：保存共享内容
设备对象（PDFDevice）：处理资源对象为我们所需要的格式
解释器对象（PDFPageInterpreter）： 处理页⾯内容
layout ： 包含⽂档的全部内容对象主要包含：
LTPage：页⾯对象
LTTextBox：代表⼀个区域内的⽂字信息，包含多个LTTextLine,get_text()⽅法可以获得⽂本内容。    LTTextLine：代表⼀⾏⽂字信息，包含多个LTChar，get_text()⽅法可以获得⽂本内容。
LTChar：代表⼀个字符信息，get_text()⽅法可以获得⽂本内容。
LTAnno：代表⽂本中的字符的Unicode字符串。
LTFigure：代表PDF的表单对象，可以包含图形或图⽚。
LTImage：代表⼀个图⽚对象。
LTLine ： 代表⼀条直线。
LTRect：代表⼀个矩形区域。
LTCurve：代表⼀条曲线。
tip:LTTextBox、LTTextLine可以分别和Horizontal、Vertical 组合表⽰⽔平⽅向和垂直⽅向
⽂档对象（Document）常⽤属性和⽅法：
<_outlines(): 获取⽂档的⽬录数据
doc.is_extractable(): 判断⽂档是否⽀持转⽂字
<_pages(): 获取所有页⾯对象
doc.initialize()：初始化⽂档密码
doc.set_parser()：绑定⽂档解析对像
内容对象（LTTextBox、LTTextLine、等等）常⽤属性和⽅法：
LTImage：
<_rawdata()： 获取图⽚数据
2. fitz 包：
3.pymupdf包：
操作pdf⽂件，可以实现创建pdf⽂件、修改pdf⽂件等等。。功能强⼤。（以后补充...）

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。