Python3如何读取pdf文件并输出文本内容？

骑猪看日落 2023-09-28 19:21 194阅读 0赞

学习python，不用再为pdf无法转换为word而烦恼。下面我们介绍python读取pdf文件（主要是针对文字部分）。

**安装需要的包：**

pip install pdfminer
    pip install pdfminer3k

![ee23a35555444ef696318ea80b34a710.png][]  
如上图所示，安装成功！

**导入相关的包：**

from io import StringIO
    from pdfminer.pdfinterp import PDFResourceManager
    from pdfminer.pdfinterp import process_pdf
    from pdfminer.converter import TextConverter
    from pdfminer.layout import LAParams
    import re

**读取PDF文件：**

def read_from_pdf(file_path):
        """
        读取pdf文件
        """
        with open(file_path,'rb') as file:
            resource_manager = PDFResourceManager()
            return_str = StringIO()
            lap_params = LAParams()
            device = TextConverter(resource_manager,return_str,laparams=lap_params)
            process_pdf(resource_manager,device,file)
            device.close()
            content = return_str.getvalue()
            return_str.close()
            return re.sub('\s+','',content)

**测试算法：**

首先我们找到一个PDF：

![8370f6fcefcb43d98710c2fe66dd091b.png][]  
我们的输出结果为：

print(read_from_pdf('poem.pdf'))

正月：兰蕙芬。瑞香烈。樱桃始葩。径草绿。望春初放。百花萌动。二月：桃始夭。玉兰解。紫荆繁。杏花饰其靥。梨花溶。李花白。三月：蔷薇蔓。木笔书空。棣萼韡韡。杨入大水为萍。海棠睡。绣球落。四月：牡丹王。芍药相于阶。罂粟满。木香上升。杜鹃归。荼穈香梦。五月：榴花照眼。萱北乡。夜合始交。薝匐有香。锦葵开。山丹赪。六月：桐花馥。菡萏为莲。茉莉来宾。凌霄结。凤仙绛于庭。鸡冠环户。七月：葵倾日。玉簪搔头。紫薇浸月。木槿朝荣。蓼花红。菱花乃实。八月：槐花黄。桂香飘。断肠始娇。白蘋开。金钱夜落。丁香紫。九月：菊有英。芙蓉冷。汉宫秋老。芰荷化为衣。橙橘登。山药乳。十月：木叶落。芳草化为薪。苔枯萎。芦始荻。朝菌歇。花藏不见。十一月：蕉花红。枇杷蕊。松柏秀。蜂蝶蛰。剪綵时行。花信风至。十二月：蜡梅坼。茗花发。水仙负冰。梅香绽。山茶灼。雪花六出。

输出成功！

[ee23a35555444ef696318ea80b34a710.png]: https://img-blog.csdnimg.cn/ee23a35555444ef696318ea80b34a710.png
[8370f6fcefcb43d98710c2fe66dd091b.png]: https://img-blog.csdnimg.cn/8370f6fcefcb43d98710c2fe66dd091b.png