pdf转txt

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

def parse():
    #rb以二进制模式打开本地pdf文件
    fn = open('/Users/fred/Desktop/test.pdf', 'rb')
    #创建一个pdf文档分析器
    parser = PDFParser(fn)
    #创建一个pdf文档
    doc = PDFDocument()
    #连接分析器与文档对象
    parser.set_document(doc)
    doc.set_parser(parser)

    #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
        resource = PDFResourceManager()
        #创建一个pdf参数分析器
        laparams = LAParams()
        #创建聚合器，用于读取文档的对象
        device = PDFPageAggregator(resource, laparams=laparams)
        #创建解释器，对文档编码，解析成python能够识别的格式
        interpreter = PDFPageInterpreter(resource, device)
        #循环便利列表，每次处理一页的内容
        for page in doc.get_pages():
            #利用解释器的process_page()方法解析读取单独页数
            interpreter.process_page(page)
            #使用聚合器获取内容
            layout = device.get_result()
            #这里layout是一个LTPage对象，里面存放着这个page解析出的各种对象
            for out in layout:
                #判断是否含有get_text()方法，获取我们想要的文字
                if hasattr(out, 'get_text'):
                    print(out.get_text())
                    with open('/Users/fred/Desktop/test.txt', 'a') as f:
                        f.write(out.get_text() + '\n')

if __name__ == '__main__':
    parse()