python实现pdf转换成word/txt纯文本文件

本文实例为大家分享了python实现pdf转word/txt，供大家参考，具体内容如下依赖包：pdfminer3k可

本文实例为大家分享了python实现pdf转word/txt，供大家参考，具体内容如下

依赖包：pdfminer3k

可以通过pip安装；也可以到官网下载，解压，进入文件夹，输入命令setup.py install安装软件。

源代码：

#!/usr/bin/python 
# -*- coding: utf-8 -*- 
 
import sys 
import importlib 
importlib.reload(sys) 
 
from pdfminer.pdfparser import PDFParser,PDFDocument 
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter 
from pdfminer.converter import PDFPageAggregator 
from pdfminer.layout import * 
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed 
 
''''' 
解析pdf文件，获取文件中包含的各种对象 
''' 
 
# 解析pdf文件函数 
def parse(pdf_path): 
 fp = open(pdf_path, 'rb') # 以二进制读模式打开 
 # 用文件对象来创建一个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: 
 raise PDFTextExtractionNotAllowed 
 else: 
 # 创建PDf 资源管理器 来管理共享资源 
 rsrcmgr = PDFResourceManager() 
 # 创建一个PDF设备对象 
 laparams = LAParams() 
 device = PDFPageAggregator(rsrcmgr, laparams=laparams) 
 # 创建一个PDF解释器对象 
 interpreter = PDFPageInterpreter(rsrcmgr, device) 
 
 # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量 
 num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0 
 
 # 循环遍历列表，每次处理一个page的内容 
 for page in doc.get_pages(): # doc.get_pages() 获取page列表 
 num_page += 1 # 页面增一 
 interpreter.process_page(page) 
 # 接受该页面的LTPage对象 
 layout = device.get_result() 
 for x in layout: 
 if isinstance(x,LTImage): # 图片对象 
 num_image += 1 
 if isinstance(x,LTCurve): # 曲线对象 
 num_curve += 1 
 if isinstance(x,LTFigure): # figure对象 
 num_figure += 1 
 if isinstance(x, LTTextBoxHorizontal): # 获取文本内容 
 num_TextBoxHorizontal += 1 # 水平文本框对象增一 
 # 保存文本内容 
 with open(r'test.doc', 'a',encoding='utf-8') as f: #生成doc文件的文件名及路径 
 results = x.get_text() 
 f.write(results) 
 f.write('\n') 
 print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'曲线数：%s\n'%num_curve,'水平文本框：%s\n' 
 %num_TextBoxHorizontal) 
 
 
if __name__ == '__main__': 
 pdf_path = r'test.pdf' #pdf文件路径及文件名 
 parse(pdf_path) 

此脚本只能将pdf文件转换成纯文本文件，没有任何格式。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

python pdf转换成word python pdf转换成txt python pdf转换成纯文本文件