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