pip install pdfminer3k

 pip install python_docx

 1#-*- coding: UTF-8 -*- 
 2#!/usr/bin/python
 3# -*- coding: utf-8 -*-
 4
 5import sys
 6import importlib
 7importlib.reload(sys)
 8
 9from pdfminer.pdfparser import PDFParser,PDFDocument
10from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
11from pdfminer.converter import PDFPageAggregator
12from pdfminer.layout import *
13from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
14import os
15
16#设置工作目录文件夹
17os.chdir(r'c:/users/dicey/desktop/codes/pdf-docx')
18
19'''
20解析pdf文件，获取文件中包含的各种对象
21'''
22# 解析pdf文件函数
23def parse(pdf_path):
24    fp = open('diya.pdf', 'rb')  # 以二进制读模式打开
25    # 用文件对象来创建一个pdf文档分析器
26    parser = PDFParser(fp)
27    # 创建一个PDF文档
28    doc = PDFDocument()
29    # 连接分析器 与文档对象
30    parser.set_document(doc)
31    doc.set_parser(parser)
32
33    # 提供初始化密码
34    # 如果没有密码 就创建一个空的字符串
35    doc.initialize()
36
37    # 检测文档是否提供txt转换，不提供就忽略
38    if not doc.is_extractable:
39        raise PDFTextExtractionNotAllowed
40    else:
41        # 创建PDf 资源管理器 来管理共享资源
42        rsrcmgr = PDFResourceManager()
43        # 创建一个PDF设备对象
44        laparams = LAParams()
45        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
46        # 创建一个PDF解释器对象
47        interpreter = PDFPageInterpreter(rsrcmgr, device)
48
49        # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量
50        num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0
51
52        # 循环遍历列表，每次处理一个page的内容
53        for page in doc.get_pages(): # doc.get_pages() 获取page列表
54            num_page += 1  # 页面增一
55            interpreter.process_page(page)
56            # 接受该页面的LTPage对象
57            layout = device.get_result()
58            for x in layout:
59                if isinstance(x,LTImage):  # 图片对象
60                    num_image += 1
61                if isinstance(x,LTCurve):  # 曲线对象
62                    num_curve += 1
63                if isinstance(x,LTFigure):  # figure对象
64                    num_figure += 1
65                if isinstance(x, LTTextBoxHorizontal):  # 获取文本内容
66                    num_TextBoxHorizontal += 1  # 水平文本框对象增一
67                    # 保存文本内容
68                    with open(r'test2.doc', 'a',encoding='utf-8') as f:    #生成doc文件的文件名及路径
69                        results = x.get_text()
70                        f.write(results)
71                        f.write('\n')
72        print('对象数量：\n','页面数：%s\n'%num_page,'图片数：%s\n'%num_image,'曲线数：%s\n'%num_curve,'水平文本框：%s\n'
73              %num_TextBoxHorizontal)
74
75
76if __name__ == '__main__':
77    pdf_path = r'diya.pdf'  #pdf文件路径及文件名
78    parse(pdf_path)