3.4 处理.pdf文件

Python 之所以强大，在于它有大量第三方库的支持（几乎每个月都有新的库产生），同一问题往往可用多个库解决。Python 对.pdf 文件的处理也不例外。这里，选择以 PDFMiner 库^[7]为例来介绍对.pdf 文件的处理。也许当你拿到本书时，你已经有更好的库来处理.pdf文件了，那就用你喜欢的库吧，只要能解决问题就好。

1.安装PDFMiner库

在Windows命令行窗口下，通过命令“pip list”查看是否安装此库。如果没有，使用 pip 工具进行安装。这里，先使用一个第三方库 PDFMiner3K 把.pdf 文件读成字符串，然后用StringIO将其转换成文件对象。注意安装库的名字是“pdfminer3k”，如下：

再次强调，我们安装的是 Anaconda 环境。如果要分析现有.pdf 文件的内容，可用PDFMiner。

2.处理.pdf文件

在具体使用 PDFMiner 库处理.pdf 文件之前，需要先学习解析.pdf 文件用到的类（见表3-5）^[8]。

【例3-21】 将指定目录下的.pdf文件的内容读取到一个.txt文件中。

运行以上程序后打开“D：\PythonTest\pdf_document\pdf_text_1.txt”文件，.txt文本文件中的部分内容显示如下：

处理.pdf文件的基本思路和流程：

（1）打开文件（二进制方式），声明文件对象。

（2）用文件对象创建一个文件解析器对象（PDFParser）。

（3）创建一个 pdf 文件对象，用于存储文件结构（PDFDocument），PDFDocument与PDFParser是相互关联的。

（4）连接pdf文件解析器和pdf文件对象（praser.set_document、doc.set_parser）。

（5）创建一个pdf资源管理器对象来存储共享资源（PDFResourceManager）。

（6）创建一个pdf页面聚合对象，作为PDFPageInterpreter的参数传入（PDFPage-Aggregator）。

（7）创建一个pdf解析器对象来解析page页面内容（PDFPageInterpreter）。

（8）处理文件中每一个page页面的内容（get_pages（）获取page列表）。