pip install pdfminer3k

# encoding : udf-8

"""

解析pdf文本保存到txt文件中

"""

from pdfminer.converter import PDFPageAggregator

from pdfminer.layout import LAParams, LTTextBoxHorizontal

from pdfminer.pdfinterp import PDFTextExtractionNotAllowed, PDFResourceManager, PDFPageInterpreter

from pdfminer.pdfparser import PDFDocument, PDFParser

path = 'E:\\force.pdf'

def parse():

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

    praser = PDFParser(fp)

    # 创建一个PDF文档

    doc = PDFDocument()

    # 连接分析器 与文档对象

    praser.set_document(doc)

    doc.set_parser(praser)

    # 提供初始化密码

    # 如果没有密码 就创建一个空的字符串

    doc.initialize()

    # 检测文档是否提供txt转换，不提供就忽略

    if not doc.is_extractable:

        raise PDFTextExtractionNotAllowed

    else:

        # 创建PDf 资源管理器 来管理共享资源

        rsrcmgr = PDFResourceManager()

        # 创建一个PDF设备对象

        laparams = LAParams()

        device = PDFPageAggregator(rsrcmgr, laparams=laparams)

        # 创建一个PDF解释器对象

        interpreter = PDFPageInterpreter(rsrcmgr, device)

        # 循环遍历列表，每次处理一个page的内容

        for page in doc.get_pages():  # doc.get_pages() 获取page列表

            interpreter.process_page(page)

            # 接受该页面的LTPage对象

            layout = device.get_result()

            for x in layout:

                if isinstance(x, LTTextBoxHorizontal):

                    with open(r'E:\\pdf\1.txt', 'a') as f:

                        results = x.get_text()

                        print(results)

                        f.write(results + '\n')

if __name__ == '__main__':

    parse()