使用pdfminer提取PDF文件中的文字

2022-03-16 00:00:00 文件文字提取

欢迎关注”生信修炼手册”!

和word文档一样，pdf文件也拥有强大的排版功能。对于pdf的编程操作而言，分为读和写两大类，其中读是相对简单的一种，比如读出pdf文件中的文字，写是比较难的，除了文字，图片等基本元素，最重要的是排版的样式控制，而编程还无法满足样式的灵活性。

本文主要介绍pdf读取操作中的一种应用，从PDF文件中提取文字，可以通过pdfminer模块来实现，安装方式如下

pip install pdfminer

该模块同时还提供了一种，命令行的脚本程序，可以方便的提取pdf中的文字，用法如下

python pdf2txt.py input.pdf

如果提取出文字之后，需要进一步操作，最好还是通过脚本对程序进行处理，在脚本中实现文字提取的代码如下

>>> from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
>>> from pdfminer.converter import TextConverter
>>> from pdfminer.pdfpage import PDFPage
>>> rsrcmgr = PDFResourceManager()
>>> outfp = open('pdf.text', 'w', encoding='utf-8')
>>> device = TextConverter(rsrcmgr, outfp)
>>> with open('input.pdf', 'rb') as fp:
...     interpreter = PDFPageInterpreter(rsrcmgr, device)
...     for page in PDFPage.get_pages(fp):
...         interpreter.process_page(page)
...
>>> device.close()
>>> outfp.close()

只需要简单的十几行代码，就可以提取出对应的文字，然后再根据需求进行后续处理，比如将提取出的文字, 利用python-docx模块输入到word文档中，从而实现pdf到word文档的转换，也可以提取pdf中的表格文字，写入到excel中。

·end·

—如果喜欢，快分享给你的朋友们吧—

原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！

本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。