提取PDF文本信息：入门

本文作者：王碧琪
文字编辑：钱梦璇
技术总编：张邯

PDF格式的文件经常出现在我们的办公生活中，它更像是一张图片，我们没办法进行编辑和复制等操作。所以为了解决这一问题，pdfminer应运而生，今天就来试一下，用pdfminer提取简单文字的pdf文档内容。

一、简介

pdfminer是Python中的一个库，它可以告诉我们某文本在分页上具体的位置和字体信息。可以通过pip安装，注意库的名字在Python3中改为pdfminer3k了：

pip install pdfminer3k

本文使用一个简单文字的PDF文档，内容如下：

image

二、处理

（一）导入pdfminer

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox

这些类的功能如下所示：

类名	含义
PDFParser	从文件中获取数据
PDFDocument	存储文档数据结构到内存中
PDFPageInterpreter	解析page内容
PDFDevice	把解析到的内容转化为你需要的东西
PDFResourceManager	存储共享资源，例如字体或图片

（二）读入待处理PDF文档
创建一个PDF文档实例，打开示例文件：

doc = PDFDocument()
parser = PDFParser(open(r"G:\simple1.pdf"))

连接分析器与文档对象，这两句不能颠倒：

parser.set_document(doc) 
doc.set_parser(parser)

我们可以调用doc的get_pages() 方法查看每一页：

print(doc.get_pages())

结果是：

<generator object PDFDocument.get_pages at 0x00000266CEBE4848>

这里是一个生成器，因为pdfminer的解析原则是“用了再干”，而并不会先将整个文档解析，生成器的相关内容可以查看推文《可迭代对象、迭代器、生成器傻傻分不清楚》。可以通过for循环遍历内容：

for page in doc.get_pages():
    print(page)

结果是：

<PDFPage: Resources={'ProcSet': <PDFObjRef:6>, 'Font': {'F1': <PDFObjRef:7>}}, MediaBox=[0, 0, 612, 792]>

小编查找官方文档，得知这些是返回的page的一些属性。Resources代表pdf的来源，标注了名称以及字体，mediabox是page的位置坐标。这些不用过分在意，只需要继续进行提取，完成任务即可。

（三）解析页面
创建一个PDF解释器对象：

device = PDFPageAggregator( PDFResourceManager(), laparams = LAParams() )
interpreter = PDFPageInterpreter( PDFResourceManager(), device)

pdfminer会通过解释器解析每一页的内容，得到每一页的LTPage对象，其中包括LTTextBox\LTFigure等。他们的关系如下图所示：

image

（图片源自网络，侵删）
本篇文章仅提取文本，所以只需要提取LTTextBox，接下来的系列文章还会讲到图片、表格等内容，会用到其他的对象。

（四）获取文字内容
使用循环遍历每一页，针对每一页进行解析，提取LTTextBox并输出：

for page in doc.get_pages():
    interpreter.process_page(page)                        
    layout = device.get_result()        
    for x in layout:
        if isinstance(x, LTTextBox):
            print(x.get_text().strip())

运行结果如下：

image

至此，pdf文档中的文本内容已经成功提取出来了。