PDFToTXT

1. 如何用python将PDF转为TXT
所需依赖：pdfminer3k、python-docx
所需步骤：解析PDF、取出数据、保存为TXT/Word
遇到的坑：

1. 最开始安装的依赖为pdfminer,而python环境为3.7，导致无法调用（并且包的依赖其实应该是install pdfminer3k才对），这里我一直无法理解的就是明明包名为pdfminer，但是安装却要是pdfminer3k,其他类似的很多，表示暂时还无法理解，所以每次都需要相应的依赖是个啥……
2. Document无法引用，安装的docx不存在，哈哈，这个是因为之前用VS2017安装的docx里面引用了exceptions，python3.x版本移除了exceptions模块，但是docx包中引用了该模块,故有掉进去了，嗯嗯，在https://www.lfd.uci.edu/~gohlke/pythonlibs/ 安装新的python_docx‑0.8.10‑py2.py3‑none‑any.whl即可。
3. 上面引用没问题后，下面一个坑好像就么得了，然后去理解包中使用的方法的含义吧——“努力、奋斗”

方法解读：
“窃”一个图：
要解析PDF至少需要两个类：PDFParser 和 PDFDocument，PDFParser 从文件中提取数据，PDFDocument保存数据。另外还需要PDFPageInterpreter去处理页面内容，PDFDevice将其转换为我们所需要的。PDFResourceManager用于保存共享内容例如字体或图片。

Python os.listdir() 方法:

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import os, sys

# 打开文件
path = "/var/www/html/"
dirs = os.listdir( path )

# 输出所有文件和文件夹
for file in dirs:
   print file

2. Let’s do it

PDF转TXT

#!/usr/bin/env python
# encoding: utf-8

"""
@author: Ed
@software: VS2017
@file: PDFToTXT.py
@time: 2019/1/29
"""
import sys
import importlib
importlib.reload(sys)

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

'''
 解析pdf文本，保存到txt文件中
'''

path = r'E:\pyworkspace\pdf2word-master\Test\pdf\Test PDF to Word.pdf'
def parse():
    fp = open(path, 'rb') # 以二进制读模式打开

    praser = PDFParser(fp) #用文件对象来创建一个pdf文档分析器,PDFParser 从文件中提取数据
    doc = PDFDocument() #保存数据
    praser.set_document(doc) # 连接分析器 与文档对象
    doc.set_parser(praser)
    doc.initialize() # 提供初始化密码,如果没有密码 就创建一个空的字符串

    # 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:
        rsrcmgr = PDFResourceManager() # 创建PDf 资源管理器 来管理共享资源
        laparams = LAParams() 
        device = PDFPageAggregator(rsrcmgr, laparams=laparams) # 创建一个PDF设备对象
        interpreter = PDFPageInterpreter(rsrcmgr, device) # 创建一个PDF解释器对象,处理页面内容

        # 循环遍历列表，每次处理一个page的内容
        for page in doc.get_pages(): # doc.get_pages() 获取page列表
            interpreter.process_page(page) # 接受该页面的LTPage对象        
            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 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性，
            
            for x in layout:
                if (isinstance(x, LTTextBoxHorizontal)):
                    with open(r'E:/pyworkspace/pdf2word-master/Test/1.txt', 'a') as f:
                        results = x.get_text()
                        print(results)
                        f.write(results + '\n')

if __name__ == '__main__':
    parse()

PDF转Word

import os
from configparser import ConfigParser
from io import StringIO
from io import open
from concurrent.futures import ProcessPoolExecutor

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from docx import Document


def read_from_pdf(file_path):
    with open(file_path, 'rb') as file:
        resource_manager = PDFResourceManager() # 创建PDf 资源管理器
        return_str = StringIO()
        lap_params = LAParams()

        device = TextConverter(
            resource_manager, return_str, laparams=lap_params)  # 创建一个PDF设备对象
        process_pdf(resource_manager, device, file)
        device.close()

        content = return_str.getvalue()
        return_str.close()
        return content


def save_text_to_word(content, file_path):
    doc = Document()
    for line in content.split('\n'):
        paragraph = doc.add_paragraph()
        paragraph.add_run(remove_control_characters(line))
    doc.save(file_path)


def remove_control_characters(content):
    mpa = dict.fromkeys(range(32))
    return content.translate(mpa)


def pdf_to_word(pdf_file_path, word_file_path):
    content = read_from_pdf(pdf_file_path)
    save_text_to_word(content, word_file_path)


def main():
    config_parser = ConfigParser()
    config_parser.read('config.cfg') 
    config = config_parser['default'] 

    tasks = []
    with ProcessPoolExecutor(max_workers=int(config['max_worker'])) as executor:
        for file in os.listdir(config['pdf_folder']):
            extension_name = os.path.splitext(file)[1]
            if extension_name != '.pdf':
                continue
            file_name = os.path.splitext(file)[0]
            pdf_file = config['pdf_folder'] + '/' + file #E:\pyworkspace\pdf2word-master\Test\pdf
            word_file = config['word_folder'] + '/' + file_name + '.docx' #E:\pyworkspace\pdf2word-master\Test\word
            print('正在处理: ', file)
            result = executor.submit(pdf_to_word, pdf_file, word_file)
            tasks.append(result)
    while True:
        exit_flag = True
        for task in tasks:
            if not task.done():
                exit_flag = False
        if exit_flag:
            print('完成')
            break;


if __name__ == '__main__':
    main()