上次给大家介绍了 Python 如何操作 Word 和 Excel ,而今天想为大家再介绍下,用 Python 如何解析 PDF ,PDF 格式不像前面两个那么规范,从它的表现来看,它更像是一张图片,在一张白纸上把内容摆放在固定的位置上,没有逻辑结构。不过还是那句话,可以先了解下都能实现什么功能,以备不时之需。
正是因为 PDF 没有统一的规范,也没有逻辑结构,比如句子或段落,并且不能自适应页面大小的调整。今天要介绍的 PDFMiner 尝试通过猜测它们的布局来重建它们的结构,但是并不能保证一定能识别成功,尤其是对图片和表格的识别处理会差一些。
安装 PDFMiner
解析 PDF 需要用到 pdfminer 库,目前最新版本只支持 Python3.6 及以上 ,执行如下安装命令:
$ pip3 install pdfminer ################# 运行结果 ################Collecting pdfminer Downloading https://files.pythonhosted.org/packages/71/a3/155c5cde5f9c0b1069043b2946a93f54a41fd72cc19c6c100f6f2f5bdc15/pdfminer-20191125.tar.gz (4.2MB) |████████████████████████████████| 4.2MB 2.8MB/s Collecting pycryptodome (from pdfminer) Downloading https://files.pythonhosted.org/packages/cc/a6/f7e09ad45296eff20bd1db5aa14b1c9ea06826dd68eb2a7a27572c71d581/pycryptodome-3.9.4-cp37-cp37m-macosx_10_6_intel.whl (10.1MB) |████████████████████████████████| 10.1MB 1.6MB/s Building wheels for collected packages: pdfminer Building wheel for pdfminer (setup.py) ... done Stored in directory: /Users/mjg/Library/Caches/pip/wheels/e1/00/af/720a55d74ba3615bb4709a3ded6dd71dc5370a586a0ff6f326Successfully built pdfminerInstalling collected packages: pycryptodome, pdfminerSuccessfully installed pdfminer-20191125 pycryptodome-3.9.4
OK,如果提示以上信息则安装成功。
解析概述
由于PDF文件有如此大和复杂的结构,完整解析 PDF 文件很费时费力的。
因此 PDFMiner 采用了一个懒惰分析的策略,就是只分析你所需要的部分。换句话就是说,根据你自己的需要只解释出你要的那部分就可以了。这里有两个核心类是必须的 PDFParser
和 PDFDocument
,除了这两个模块还有以下几个模块来配合使用。
模块名 | 说明 |
PDFParser | 从文件中获取数据 |
PDFDocument | 存储文档数据结构到内存中 |
PDFPageInterpreter | 解析page内容 |
PDFDevice | 把解析到的内容转化为你需要的东西 |
PDFResourceManager | 存储共享资源,例如字体或图片等 |
下面这个图表示了 PDFMiner 各模块之间的关系,让我们能有个基本的认识:
基本用法
首先我准备了一个 pdf 格式的文档,内容基本如下图这样:
下面这段代码给出了 PDFMiner 解析 PDF 文档的基本方法,首先打开 pdf 文件,创建解析对象,存储文档结构,创建资源管理对象以及共享资源,然后再创建 device 对象,最后再创建文档解析对象,并处理文档中的每一页。是不是看起来很复杂,不过确实也挺麻烦,还是让我们直接看代码吧。
# pdf_1.py # 导入库from pdfminer.pdfparser import PDFParserfrom pdfminer.pdfdocument import PDFDocumentfrom pdfminer.pdfpage import PDFPagefrom pdfminer.pdfpage import PDFTextExtractionNotAllowedfrom pdfminer.pdfinterp import PDFResourceManagerfrom pdfminer.pdfinterp import PDFPageInterpreterfrom pdfminer.pdfdevice import PDFDevicefrom pdfminer.layout import LAParamsfrom pdfminer.converter import PDFPageAggregator # 设置文档密码password = '' #打开pdf文件fp = open('pdfminer.pdf','rb') #从文件句柄创建一个pdf解析对象parser = PDFParser(fp) #创建pdf文档对象,存储文档结构document = PDFDocument(parser,password) #创建一个pdf资源管理对象,存储共享资源rsrcmgr = PDFResourceManager() #创建一个device对象device = PDFDevice(rsrcmgr) #创建一个解释对象interpreter = PDFPageInterpreter(rsrcmgr, device) #处理包含在文档中的每一页for page in PDFPage.create_pages(document): interpreter.process_page(page)
这样就完成了将页面对象加载的操作,下面通过命令 python pdf_1.py
运行程序,没有报错就说明页面信息已经成功加载至内存,然后我们就得想办法分别解析各类型信息,那都有哪些类型的对象呢?
解析对象
布局分析器把 pdf 文档中每一页返回为一个 LTPage
对象. 该对象包含该页面中的所有子对象,它们之间的关系大概如下图所示:
接下来我再列出一个表格具体说明下各对象:
对象名 | 对象说明 | 备注 |
LTPage | 代表一个完整的页面,可以包含子对象 | 例如:LTTextBox,LTFigure,LTImage,LTRect,LTCurve和LTLine |
LTTextBox | 它包含 LTTextLine 对象的列表,代表一组被包含在矩形区域中的文本 | 注意:该box是根据几何学分析得到的,并不一定准确地表现为该文本的逻辑范围,get_text()方法可以返回文本内容 |
LTTextLine | 包含一个LTChar对象的列表,表现为单行文本 | 字符表现为一行或一列,取决于文本书写方式,get_text()方法返回文本内容 |
LTChar | 表示一个在文本中的真实的字母,作为一个unicode字符串 | LTChar 对象有真实的分隔符 |
LTAnno | 表示一个在文本中的真实的字母,作为一个unicode字符串 | LTAnno 对象没有,是虚拟分隔符,按照两个字符之间的关系,布局分析器插入虚拟分隔符 |
LTFigure | 表示一个被 PDF Form 对象使用的区域 | pdf form适用于目前的图表(present figures)或者页面中植入的另一个pdf文档图片,LTFigure对象可以递归 |
LTImage | 表示一个图形对象,可以是JPEG或者其他格式 | 但 PDFMiner 目前没有花太多精力在图形对象上 |
LTLine | 表示一根直线 | 用来分割文本或图表(figures) |
LTRect | 表示一个矩形 | 用来框住别的图片或者图表 |
LTCurve | 代表一个贝塞尔曲线 |
好了,了解以上对象都表示什么以后,现在我们写一段代码解析一个 pdf 并打印出来所解析的内容。
# pdf_2.py # 导入库from pdfminer.pdfparser import PDFParserfrom pdfminer.pdfdocument import PDFDocumentfrom pdfminer.pdfpage import PDFPagefrom pdfminer.pdfpage import PDFTextExtractionNotAllowedfrom pdfminer.pdfinterp import PDFResourceManagerfrom pdfminer.pdfinterp import PDFPageInterpreterfrom pdfminer.pdfdevice import PDFDevicefrom pdfminer.layout import *from pdfminer.converter import PDFPageAggregator # 提供初始密码password = ''# 没有密码可以初始密码# document.initialize() #打开pdf文件fp = open('pdfminer.pdf','rb') #从文件句柄创建一个pdf解析对象parser = PDFParser(fp) #创建pdf文档对象,存储文档结构document = PDFDocument(parser, password) #创建一个pdf资源管理对象,存储共享资源rsrcmgr = PDFResourceManager() laparams = LAParams() #创建一个device对象device = PDFPageAggregator(rsrcmgr, laparams=laparams) #创建一个解释对象interpreter = PDFPageInterpreter(rsrcmgr, device) #处理包含在文档中的每一页for page in PDFPage.create_pages(document): interpreter.process_page(page) layout = device.get_result() for x in layout: # 获取文本对象 if isinstance(x, LTTextBox): print(x.get_text().strip()) # 获取图片对象 if isinstance(x,LTImage): print('这里获取到一张图片') # 获取 figure 对象 if isinstance(x,LTFigure): print('这里获取到一个 figure 对象')
OK,这次我们把 pdf 文件加载到内存后,循环加载到每个页面对象,并遍历各个对象,使用 isinstance
方法判断对象的类型,将文本对象时直接打印出来,当为其他对象时打印一个字符串,返回结果如下图:
可以看出 PDFMiner 对文本的解析还是不错的,不过对图片的解析,正如官方文档所说,识别并不是很准确,这里将图片识别为了 figure
对象。另外对于表格的支持也不够好,虽然能读取出来表格内容,但完全看不出表格的样式来,后期还需要进一步处理。
总结
本文为大家介绍了 Python 中如何解析 PDF 文档,由于 PDF 并没有规范的格式,解析起来会比较复杂。当然除了 PDFMiner ,还有很多处理 pdf 的工具,各有优缺点,今天算是带大家入个门,就以 PDFMiner 为例做了一个简单介绍,如果想了解更多请参考文末官网介绍。
参考
python-pdfminer 官网:https://euske.github.io/pdfminer/
Python PDF Parser:https://github.com/euske/pdfminer