python 解析 pdf文件, parse PDF files and extract elements like text

pdfminer.six

Pdfminer.six是原始PDFMiner的社区维护分支。它是从PDF文档中提取信息的工具。它着重于获取和分析文本数据。Pdfminer.six直接从PDF的源代码中提取页面中的文本。它也可以用来获取文本的确切位置,字体或颜色。

它以模块化方式构建,因此可以轻松替换pdfminer.six的每个组件。您可以实现自己的解释器或渲染设备,以将pdfminer.six的功能用于文本分析的其他目的。

查阅“ 阅读文档”中的完整 文档

 

特征

  • 完全用Python编写。
  • 解析,分析和转换PDF文档。
  • PDF-1.7规范支持。(嗯,差不多)。
  • CJK语言和垂直书写脚本支持。
  • 支持各种字体类型(Type1,TrueType,Type3和CID)。
  • 支持提取图像(JPG,JBIG2和位图)。
  • 支持RC4和AES加密。
  • 目录提取。
  • 标记内容提取。
  • 自动布局分析。

 

如何使用

  • 安装Python 3.4或更高版本
  • 安装pip install pdfminer.six
  • 使用命令行界面从pdf提取文本:python pdf2txt.py samples/simple1.pdf

 

 

本文:python 解析 pdf文件, parse PDF files and extract elements like text

Leave a Reply