Python教程： pdfminer抓取PDF中的内容

之前学过pdfminer模块的小伙伴，今天就派上大用场了。本文将通过pdfminer举例，轻松抓取PDF中的内容。

转换 PDF 有很多库可以完成，如下是通过 pdfminer 的示例：

from cStringIO import StringIO

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage


def convert_pdf_2_text(path):
    
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    
    device = TextConverter(rsrcmgr, retstr, codec='utf-8', laparams=LAParams())
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    
    with open(path, 'rb') as fp:
         for page in PDFPage.get_pages(fp, set()):
             interpreter.process_page(page)
         text = retstr.getvalue()
              
               device.close()
               retstr.close()
                 
               return text

需要指出的是，pdfminer 不但可以将 PDF 转换为 text 文本，还可以转换为 HTML 等带有标签的文本。上面只是最简单的示例，如果每页有很独特的标志，你还可以按页单独处理。

看完后是不是觉得很简单呢？pdfminer不会的小伙伴可以点击以往的文章学习：进阶PDF，就用Python（pdfminer.six和pdfplumber模块）

来源：PY学习网：原文地址：https://www.py.cn/article.html