【Python】pdfminer3k模块批量转换本地PDF文件

旧城等待， 2022-05-26 10:36 340阅读 0赞

上一篇文章自己研究了一下如何批量将word或者ppt文件转换为PDF文件，但是有时候我们也想要将pdf文件转换为word或者txt文件，方便复制和处理。本文主要通过调用pdfminer3k模块进行处理。

**说明：本文是在Windows10下使用python最新的3.6版本虚拟环境**

1. pdfminer3k相关链接：  
**GitHub：**https://github.com/jaepil/pdfminer3k

**PyPI：**https://pypi.org/project/pdfminer3k/

2. 解析pdf文件用到的类：   
PDFParser：PDF文档分析器：从一个文件中获取数据   
PDFDocument：PDF文档对象：保存获取的数据，和PDFParser是相互关联的   
PDFResourceManager：PDF资源管理器：用于存储共享资源，如字体或图像。  
LAParams：PDF参数分析器：分析pdf文件参数  
PDFPageAggregator：PDF聚合器：读取获取的文档对象

PDFPageInterpreter：PDF文档解析器：处理页面内容变成Python可以解析

3.分析思路：

整体思路为：构造文档对象，解析文档对象，提取所需内容

![20180429210628297][]![20180429210642854][]

4. 具体的代码：

'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
    #作者：cacho_37967865
    #博客：https://blog.csdn.net/sinat_37967865
    #文件：pdfConvertor.py
    #日期：2018-04-29
    #备注：通过调用PDF解析器：pdfminer3k，批量将PDF文件转换为word或者txt文件，先要在python环境安装pdfminer3k
          在python运行环境通过命令行方式运行：pip3 install pdfminer3k       
    '''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
    # F:\python_env\PaChong_env
    # -*- coding: utf-8 -*-
    
    from pdfminer.pdfparser import PDFParser, PDFDocument
    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
    from pdfminer.converter import PDFPageAggregator
    from pdfminer.layout import LTTextBoxHorizontal,LAParams
    import os
    
    def pdf_to_word(folder,password):
        # 获取指定目录下面的所有文件
        files = os.listdir(folder)
        # 获取pdf类型的文件放到一个列表里面
        pdfFiles = [f for f in files if f.endswith(".pdf")]
        for pdfFile in pdfFiles:
            # 将pdf文件放到指定的路径下面
            pdfPath = os.path.join(folder, pdfFile)
            # 设置将要转换后存放word文件的路径
            wdPath = pdfPath
            # 判断是否已经存在对应的word文件，如果不存在就加入到存放word的路径内
            if wdPath[-3:] != 'doc':
                wdPath = wdPath + ".doc"
                fn = open(pdfPath, 'rb')
                # 创建一个PDF文档分析器：PDFParser
                parser = PDFParser(fn)
                # 创建一个PDF文档：PDFDocument
                doc = PDFDocument()
                # 连接分析器与文档
                parser.set_document(doc)
                doc.set_parser(parser)
                # 提供初始化密码，如果无密码，输入空字符串
                doc.initialize("")
                # 检测文档是否提供txt转换，不提供就忽略
                if not doc.is_extractable:
                    print("PDFTextExtractionNotAllowed")
                else:
                    # 创建PDF资源管理器：PDFResourceManager
                    resource = PDFResourceManager()
                    # 创建一个PDF参数分析器：LAParams
                    laparams = LAParams()
                    # 创建聚合器,用于读取文档的对象：PDFPageAggregator
                    device = PDFPageAggregator(resource, laparams=laparams)
                    # 创建解释器，对文档编码，解释成Python能够识别的格式：PDFPageInterpreter
                    interpreter = PDFPageInterpreter(resource, device)
                    # doc.get_pages() 获取page列表
                    for page in doc.get_pages():
                        # 利用解释器的process_page()方法解析读取单独页数
                        interpreter.process_page(page)
                        # 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，
                        # 使用聚合器get_result()方法获取页面内容
                        layout = device.get_result()
                        for out in layout:
                            if (isinstance(out, LTTextBoxHorizontal)):
                                print(out.get_text())
                            with open(wdPath, 'a',encoding='utf-8') as f:
                                f.write(out.get_text() + '\n')
    
    if __name__ == '__main__':
        pdf_to_word("F:\PythonProject\Pacong\docs","")

[20180429210628297]: https://img-blog.csdn.net/20180429210628297
[20180429210642854]: /images/20220526/2c60a74c73b14f709c1a612c2f9fbce7.png