pdf_code/zzb_data_prod/test/test_pdf.py

74 lines
2.9 KiB
Python
Raw Normal View History

2025-08-20 09:49:07 +08:00
import os
import re
import logging
log = logging.getLogger(__name__)
from tqdm import tqdm
from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal,LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
def pdf_parse(pdf_path,txt_path):
'''解析PDF文本并保存到TXT文件中'''
fp = open(pdf_path,'rb')
# pdf1 = urlopen('http://www.tencent.com/20160321.pdf')
#用文件对象创建一个PDF文档分析器
parser = PDFParser(fp)
#创建一个PDF文档
doc = PDFDocument()
#连接分析器,与文档对象
parser.set_document(doc)
doc.set_parser(parser)
#提供初始化密码,如果没有密码,就创建一个空的字符串
doc.initialize()
#检测文档是否提供txt转换不提供就忽略
if not doc.is_extractable:
log.info(pdf_path)
raise PDFTextExtractionNotAllowed
else:
#创建PDF资源管理器来共享资源
rsrcmgr = PDFResourceManager()
#创建一个PDF设备对象
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr,laparams=laparams)
#创建一个PDF解释其对象
interpreter = PDFPageInterpreter(rsrcmgr,device)
#循环遍历列表每次处理一个page内容
# doc.get_pages() 获取page列表
for page in doc.get_pages():
interpreter.process_page(page)
#接受该页面的LTPage对象
layout = device.get_result()
# 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
for x in layout:
if(isinstance(x,LTTextBoxHorizontal)):
with open(txt_path,'a') as f:
results = x.get_text()
# log.info(results)
f.write(results +"\n")
if __name__ == '__main__':
open_pdf_path = '/Users/zhengfei/Desktop/科润智控.pdf' #【设定打开pdf文件路径】
save_txt_path = '/Users/zhengfei/Desktop/' #【设定保存TXT文件路径】
pdfList = os.listdir(open_pdf_path)
for pdf_name in tqdm(pdfList):
try:
format = pdf_name.split(".")[1]
if format=="pdf":
pdf_path = open_pdf_path+pdf_name
txt_name = re.sub('.pdf', '.txt', pdf_name)
elif format=="PDF":
pdf_path = open_pdf_path+pdf_name
txt_name = re.sub('.PDF', '.txt', pdf_name)
txt_path = save_txt_path+txt_name
pdf_parse(pdf_path, txt_path)
except:
log.info("转换失败:%s", pdf_name)
continue