python：pdfminer接口测试

python：pdfminer接口测试

目录：

​​pdfminer简介​​pdfparser

简介

​​back to top​​​   ​​to the end​​

pdfparser使用介绍

1 from pdfminer.pdfparser import PDFParser, PDFDocument

pdfparser是一个pdf解析器，里面封装了PDFParser, PDFDocument这两个我们常用的类。PDFParser从文件流中获取PDF对象；它可以通过引用set_document方法设置的PDF文档来处理间接引用；它还可读取每个PDF文件的交叉引用（xref），一般可以快速定位。由于PDF文件可能很大，通常不会立即加载。因此，PDF文档必须与PDF解析器协作，以便在处理过程中动态导入数据。

1 fp = open(path, 'rb') # 以二进制读模式打开2 praser = PDFParser(fp)

fp为文件流，这里我们使用open打开，产生一个二进制文件。parser是PDFParser的实例，fp为必传参数。parser可以使用的形式有：

Typical usage:　　　　parser = PDFParser(fp)　　　　parser.read_xref()　　　　parser.set_document(doc)　　　　parser.seek(offset)　　　　parser.nextobject()

实例化之后的分析器：

1 # 创建一个PDF文档2 doc = PDFDocument()

doc是PDFDocument的实例化对象，现在的doc像一张白纸，类默认封装很多方法，其中部分是内部方法，供类内调用，我们可以使用的典型方法有：

Typical usage: 　　　　doc = PDFDocument() 　　　　doc.set_parser(parser) 　　　　doc.initialize(password) 　　　　obj = doc.getobj(objid)

1 # 连接分析器 与文档对象2 praser.set_document(doc)3 doc.set_parser(praser)

将doc赋给praser，就像给一只钢笔配上了笔记本，单向传参是肯定不行的，因为doc本身封装了很多方法，其本身是需要用到praser这只笔的，所以要把praser传给doc。(praser不是拼写错误，而是在代码中进行区分)

相互传参绑定之后，两个对象都发生了相应的变化，以parser为例：

注意doc上边有一个data的字符串，我们可以发现字符串：%PDF-1.7\n ，这个意思就是当前文本的PDF版本为1.7，PDF文件的具体格式介绍请移步：PDF格式详解。

1 # 文档初始化解密2 # 没有密码 就创建一个空的字符串3 doc.initialize()

PDF文档很多时候是加密的，为了读取相应内容，需要给电脑赋予权限，这里当然是传入密码了，若文档密码很多，可以实例化一个秘密管理器。

导入：from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

1 if not doc.is_extractable:2 raise PDFTextExtractionNotAllowed

判断是否可以将PDF文件转换成txt，不行就直接忽略，你也可以查看是否可以修改或直接print。因为在文档初始化密码时，我们生成了以下属性：

1 self.is_printable = bool(P & 4)2 self.is_modifiable = bool(P & 8)3 self.is_extractable = bool(P & 16)

额，一般都不行啊，要是那么简单就好了。

​​back to top​​​   ​​to the end​​

文档解析

先导入其他依赖

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import PDFPageAggregatorfrom pdfminer.layout import LTTextBoxHorizontal, LAParams

PDFResourceManager：ResourceManager有助于重用共享资源，如字体和图像，这样大型对象就不会被多次分配。主要是procset、cmap、font。

LAParams：封装了常用的参数，用于参数空间的构建。

PDFPageAggregator：整合信息进行返回，类似于扫描器中的commander。LAParams实例化的参数主要是传给它，相当于指定指挥官的权限和能力。

PDFPageInterpreter：用于创建一个PDF解释器对象，里面封装了很多方法，可以根据需要进行查找。它就相当于那个扫描器。

rsrcmgr = PDFResourceManager() # 创建资源管理器，负责资源调度，有益于资源共享。laparams = LAParams() # 实例化默认参数空间device = PDFPageAggregator(rsrcmgr, laparams=laparams) # 创建设备interpreter = PDFPageInterpreter(rsrcmgr, device) # 创建解释器

逐页分析

我们可以通过doc.get_pages()获取一个生成器，生成器对应了PDF每一页的数据源与解析器等配置。

1 interpreter.process_page(pages.__next__())

将某页的实例传入进行分析，如何返回？找设备的大脑，device是专门负责相应工作的。

1 # 接受该页面的LTPage对象2 layout = device.get_result()

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、

数据提取：

1 for x in layout:2 if isinstance(x, LTTextBoxHorizontal):3 # 需要写出编码格式4 # 解决\u8457\u5f55\u683c\u5f0f\uff1a\u67cf\u6167乱码5 results = x.get_text().encode('raw_unicode_escape').decode('unicode_escape')6 print('**res:**\n' + results + '-'*20) # 不同实例对象LTPage的分割

输出结果，以Page1为例：

清澈的爱，只为中国

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。