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()
