利用python库中的pdfminer解析paper pdf文档
2016-06-08 14:59
701 查看
original url:
http://www.bkjia.com/Pythonjc/1073800.html
# cat readpdf_searchkeyword.py
# -*- coding: utf-8 -*-
# download this code from http://www.bkjia.com/Pythonjc/1073800.html from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import *
from pdfminer.converter import PDFPageAggregator
import os
import pdb
#os.chdir(r'F:\test')
fp = open('test.pdf', 'rb')
#来创建一个pdf文档分析器
parser = PDFParser(fp)
#创建一个PDF文档对象存储文档结构
document = PDFDocument(parser)
# 检查文件是否允许文本提取
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
else:
# 创建一个PDF资源管理器对象来存储共赏资源
rsrcmgr=PDFResourceManager()
# 设定参数进行分析
laparams=LAParams()
# 创建一个PDF设备对象
# device=PDFDevice(rsrcmgr)
device=PDFPageAggregator(rsrcmgr,laparams=laparams)
# 创建一个PDF解释器对象
interpreter=PDFPageInterpreter(rsrcmgr,device)
# 处理每一页
for page in PDFPage.create_pages(document):
interpreter.process_page(page)
# 接受该页面的LTPage对象
layout=device.get_result()
for x in layout:
if(isinstance(x,LTTextBoxHorizontal)):
with open('a.txt','a') as f:
f.write(x.get_text().encode('utf-8')+'\n')
#pdb.set_trace()
http://www.bkjia.com/Pythonjc/1073800.html
# cat readpdf_searchkeyword.py
# -*- coding: utf-8 -*-
# download this code from http://www.bkjia.com/Pythonjc/1073800.html from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import *
from pdfminer.converter import PDFPageAggregator
import os
import pdb
#os.chdir(r'F:\test')
fp = open('test.pdf', 'rb')
#来创建一个pdf文档分析器
parser = PDFParser(fp)
#创建一个PDF文档对象存储文档结构
document = PDFDocument(parser)
# 检查文件是否允许文本提取
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
else:
# 创建一个PDF资源管理器对象来存储共赏资源
rsrcmgr=PDFResourceManager()
# 设定参数进行分析
laparams=LAParams()
# 创建一个PDF设备对象
# device=PDFDevice(rsrcmgr)
device=PDFPageAggregator(rsrcmgr,laparams=laparams)
# 创建一个PDF解释器对象
interpreter=PDFPageInterpreter(rsrcmgr,device)
# 处理每一页
for page in PDFPage.create_pages(document):
interpreter.process_page(page)
# 接受该页面的LTPage对象
layout=device.get_result()
for x in layout:
if(isinstance(x,LTTextBoxHorizontal)):
with open('a.txt','a') as f:
f.write(x.get_text().encode('utf-8')+'\n')
#pdb.set_trace()
相关文章推荐
- Python用Bottle轻量级框架进行Web开发
- numpy 之 np.where
- Python-面向对像及其他
- Python进阶-面向对象
- 【Python】 sort、sorted高级排序技巧
- Python-执行系统命令
- Python-面向对象编程
- caffe+VS2013+cuda7.5+cudnn V4+python 2.7 在windows10 下的配置
- Python-装饰器详解
- python中xrange和yield的用法
- 安装python的pip相关
- python学习之多线程(二)
- Python探索
- Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTML内容
- python flask detect browser language
- Python内置函数
- python基础随笔
- python案例-用户登录
- python_Day_02[数组、列表、元组之篇]
- python使用zmq通信