3.4 處理.pdf文件

Python 之所以強大，在于它有大量第三方庫的支持（幾乎每個月都有新的庫產生），同一問題往往可用多個庫解決。Python 對.pdf 文件的處理也不例外。這里，選擇以 PDFMiner 庫^[7]為例來介紹對.pdf 文件的處理。也許當你拿到本書時，你已經有更好的庫來處理.pdf文件了，那就用你喜歡的庫吧，只要能解決問題就好。

1.安裝PDFMiner庫

在Windows命令行窗口下，通過命令“pip list”查看是否安裝此庫。如果沒有，使用 pip 工具進行安裝。這里，先使用一個第三方庫 PDFMiner3K 把.pdf 文件讀成字符串，然后用StringIO將其轉換成文件對象。注意安裝庫的名字是“pdfminer3k”，如下：

再次強調，我們安裝的是 Anaconda 環境。如果要分析現有.pdf 文件的內容，可用PDFMiner。

2.處理.pdf文件

在具體使用 PDFMiner 庫處理.pdf 文件之前，需要先學習解析.pdf 文件用到的類（見表3-5）^[8]。

【例3-21】 將指定目錄下的.pdf文件的內容讀取到一個.txt文件中。

運行以上程序后打開“D：\PythonTest\pdf_document\pdf_text_1.txt”文件，.txt文本文件中的部分內容顯示如下：

處理.pdf文件的基本思路和流程：

（1）打開文件（二進制方式），聲明文件對象。

（2）用文件對象創建一個文件解析器對象（PDFParser）。

（3）創建一個 pdf 文件對象，用于存儲文件結構（PDFDocument），PDFDocument與PDFParser是相互關聯的。

（4）連接pdf文件解析器和pdf文件對象（praser.set_document、doc.set_parser）。

（5）創建一個pdf資源管理器對象來存儲共享資源（PDFResourceManager）。

（6）創建一個pdf頁面聚合對象，作為PDFPageInterpreter的參數傳入（PDFPage-Aggregator）。

（7）創建一個pdf解析器對象來解析page頁面內容（PDFPageInterpreter）。

（8）處理文件中每一個page頁面的內容（get_pages（）獲取page列表）。