1、引言
小屌丝：鱼哥， 你有没有什么办法，提取PDF文档的内容。
小鱼：这个还问我？？
小屌丝：哎呀，这个不是被难住了嘛 。
小鱼：有啥难得？提示你一下，
小屌丝：嗯，可以可以。
小鱼：去我的博文找，没记错的话，有两种方法提取pdf的文字。
小屌丝：好嘞， 我这就去…找找…
小屌丝：鱼哥，鱼哥~
小鱼：怎么样，你的这个需求，解决了吧。
小屌丝：没呢，我想批量提取指定PDF文档的内容…
小鱼：批…量…
小屌丝：对啊，是批量，
小鱼：这…还挺…
小屌丝：挺费劲吗？
小鱼：挺好的 ，不费劲， 一口气，上7楼…
小屌丝：打住… 说正事！ ！
小鱼：好嘞…
想到提取PDF文件的内容，我们第一反应就是pypdf，
因为pypdf这个库我在很多篇文章都介绍过， 还蛮好用的。
但是，今天，我们不使用pypdf，而是使用另一个库，即：pdfminer。
2、代码实战
2.1 介绍
pdfminer我相信很多同学都没听说过，除非，你经常提取/解析PDF文件的内容，否则，你对ta，只能是陌生。
其实，提取PDF文件内容解决方案，截止到现在， 只有pypdf 和pdfminer这两种。
所以， 如果你厌倦了， pypdf，那只能选择pdfminer了。
那什么是pdfminer 呢，或者 pdfminer有什么神奇之处呢？
- 定义
- PDFMiner是用于从PDF文档提取信息的工具；
- 与其他PDF相关工具不同，它完全专注于获取和分析文本数据；
- 功能
- PDFMiner允许获取页面中文本的确切位置以及其他信息，例如字体或线条；
- 它包括一个PDF转换器，可以将PDF文件转换为其他文本格式（例如HTML)；
2.2 安装
由于pdfminer是python 的第三方库， 所以，需要安装，
老规矩， 直接pip 安装
安装
pipinstallpdfminer
安装完成：
因为我们需要用到 pdfminer的high_level 方法，所以
这里必须要在安装pdfminer.six模块，否则会报错：
安装
pipinstallpdfminer.six
安装完成：
其它安装方式，直接看这两篇:
2.3 实例
安装完成，我们就来写上代码，
我们先来捋顺一下思路，主要分3步：
- 1、遍历pdf文件
注：如果文件夹的文件多个，需要单独提取目标pdf文件，否则都会轮巡匹配，费事费力费资源；
- 2、提取pdf文档内容
- 3、根据正则匹配，提取需要的文档信息
我们就根据这个思路，来提取"企业基本情况"，代码如下：
代码示例
# -*- coding:utf-8 -*-# @Time : 2022-12-10# @Author : Carl_DJfrompdfminerimporthigh_levelimportre,os#pdf文件路径#root：文件夹路径，dirs:文件夹下子目录名，files：文件夹下的文件forroot,dirs,filesinos.walk('./data/'): #遍历pdf文件forfinfiles: file_name=os.path.join(root,f) iffile_name.endswith('.pdf'): #提取整个 pdf 文本信息text=high_level.extract_text(file_name) #提取 pdf文档中 "企业进本情况:" 后面的信息，利用正则进行匹配regex=r'企业基本情况-(.*?)\n'qy_base=re.findall(regex,text) print(f'输出信息：{qy_base}')
pdf文件
运行结果
3、总结
看到这里，今天的分享，差不多就该结束了。
解析PDF是一件非常耗时和耗内存的工作，因此，pdfminer使用一种称作Lazy Parsing的策略，减少内耗…
小屌丝：怪不得， 提到批量提取pdf的文档内容， 你会犹豫了…
小鱼：对啊，因为我们的的测试文档内容很少，所以对内存的消耗相对来说没那么验证，当PDF文档的内容很多时， 就不得不使用pdfminer了。
并且， 关于pdf文档的内容提取，我们能多学习几个技能，就多学习几个技能。
技能多了，路就多了，最后，收入也就多了。
我是小鱼：
- CSDN 博客专家；
- 阿里云社区 专家博主；
- 51CTO博客 专家博主&TOP红人
- 51认证讲师；
- 金牌面试官；
关注我，带你学习更多更有趣的Python知识。
