自学教程：python读取pdf格式文档的实现代码

安装对应的库	pip install pdfminer3k	pip install pdfminer.six 

#!/usr/bin/env python# -*- coding:utf-8 -*-# datetime:2021/3/17 12:12# software: PyCharm# version: python 3.9.2def changePdfToText(filePath): """ 解析pdf 文本，保存到同名txt文件中 param： filePath: 需要读取的pdf文档的目录 introduced module: from pdfminer.pdfpage import PDFPage from pdfminer.pdfparser import PDFParser from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import PDFPageAggregator from pdfminer.layout import LAParams from pdfminer.pdfdocument import PDFDocument, PDFTextExtractionNotAllowed import os.path """ file = open(filePath, '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 praser = PDFParser(file) # 创建一个PDF文档 doc = PDFDocument(praser, '') # praser ：上面创建的pdf文档分析器 ，第二个参数是密码，设置为空就好了 # 连接分析器 与文档对象 praser.set_document(doc) # 检测文档是否提供txt转换，不提供就忽略 if not doc.is_extractable: raise PDFTextExtractionNotAllowed # 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) result = [] # 内容列表 # 循环遍历列表，每次处理一个page的内容 for page in PDFPage.create_pages(doc): interpreter.process_page(page) # 接受该页面的LTPage对象 layout = device.get_result() for x in layout:  if hasattr(x, "get_text"):  result.append(x.get_text())  fileNames = os.path.splitext(filePath) # 分割  # 以追加的方式打开文件  with open(fileNames[0] + '.txt', 'a', encoding="utf-8") as f:   results = x.get_text()   # print(results) 这个句可以取消注释就可以在控制台将所有内容输出了   f.write(results) # 写入文件# 调用示例 ：# path = u'E://1.pdf'# changePdfToText(path)

from PyPDF2 import PdfFileReader# 定义获取pdf内容的方法def getPdfContent(filename):  # 获取PdfFileReader对象  pdf = PdfFileReader(open(filename, "rb"))  content = "" #content是输出文本  for i in range(0,pdf.getNumPages()): #遍历每一页    pageObj = pdf.getPage(i)    try:      extractedText = pageObj.extractText()#导出每一页的内容，如果当前页有图片的话就跳过      content += extractedText + "/n"    except BaseException:      pass  return content.encode("ascii", "ignore")# 将获取的内容写入txt文件with open("test.txt","w") as f:  count=0 #count的作用是限制每一行的文字个数，本人设置的是十行  #将获取的文本变成字符串并用空白隔开  for item in str(getPdfContent("test.pdf")).split(" "):    # 如果当前文字以句号结尾就换行    if item[-1]==".":      f.write(item+"/n")      count=0    else:      f.write(item+" ")      count +=1    # 如果写了十个字就换行    if count==10:      f.write("/n")      # 重置count      count = 0