当前位置：首页 > news >正文

python里的PDFMiner.six 库介绍

news 来源：原创 2025/6/15 6:01:55

PDFMiner.six 库介绍

官网文档
PDFMiner.six 是一个用于从 PDF 文档中提取信息的 Python 库。它专注于获取和分析 PDF 中的文本内容，而不是对 PDF 进行渲染或转换。该库是 PDFMiner 的 Python 3 兼容版本，能够处理 PDF 中的文本、布局、字体和图像等元素。

主要功能

提取 PDF 文档中的文本内容
保留文本的原始布局和格式信息
识别不同的字体、大小和样式
提取表格数据和图像
处理包含中文等非拉丁字符的 PDF

安装 python-docx 库：当前版本20250506

pip install pdfminer.six

一，类结构图

PDFMiner.six 的核心类结构如下：

PDFParser：解析 PDF 文件的底层结构
PDFDocument：表示整个 PDF 文档
PDFPage：表示文档中的单个页面
PDFResourceManager：管理解析过程中使用的资源
PDFInterpreter：解释器，处理页面内容
PDFDevice：设备抽象，用于将解释结果输出到不同格式
- TextConverter：将 PDF 转换为文本
- HTMLConverter：将 PDF 转换为 HTML
- XMLConverter：将 PDF 转换为 XML
- LTContainer：布局对象的基类
  - LTPage：页面布局
  - LTTextBox：文本框
  - LTTextLine：文本行
  - LTChar：单个字符
  - LTFigure：图形对象
  - LTImage：图像对象
  - LTLine：线条
  - LTRect：矩形

二，常用类和方法详解

解析 PDF 文件：PDFParser 和 PDFDocument

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument# 打开 PDF 文件
with open('example.pdf', 'rb') as fp:# 创建解析器parser = PDFParser(fp)# 创建文档对象document = PDFDocument(parser)# 检查文档是否可以解析if not document.is_extractable:raise PDFTextExtractionNotAllowed

创建资源管理器和设备：PDFResourceManager 和 PDFDevice

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams# 创建资源管理器
rsrcmgr = PDFResourceManager()# 创建参数分析器
laparams = LAParams()# 创建文本转换器
output = StringIO()  # 或使用文件对象
device = TextConverter(rsrcmgr, output, laparams=laparams)

解释和处理 PDF 内容： PDFInterpreter

from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfpage import PDFPage# 创建解释器
interpreter = PDFPageInterpreter(rsrcmgr, device)# 处理每一页
for page in PDFPage.create_pages(document):interpreter.process_page(page)# 获取结果
text = output.getvalue()

提取文本的完整流程
pdf_text_extraction.py

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIOdef extract_text_from_pdf(pdf_path):"""从 PDF 文件中提取文本"""output = StringIO()rsrcmgr = PDFResourceManager()device = TextConverter(rsrcmgr, output, laparams=LAParams())with open(pdf_path, 'rb') as fp:interpreter = PDFPageInterpreter(rsrcmgr, device)for page in PDFPage.create_pages(fp):interpreter.process_page(page)text = output.getvalue()device.close()output.close()return text# 使用示例
if __name__ == "__main__":text = extract_text_from_pdf('example.pdf')print(text)

提取布局信息

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox, LTTextLine# 创建资源管理器和布局分析器
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)# 处理页面
for page in PDFPage.create_pages(document):interpreter.process_page(page)layout = device.get_result()# 遍历布局对象for element in layout:if isinstance(element, LTTextBox) or isinstance(element, LTTextLine):print(element.get_text())

提取表格信息

from pdfminer.layout import LTTextBoxHorizontaldef extract_tables(layout):"""尝试从布局中提取表格数据"""tables = []current_table = []current_row = []# 按Y坐标排序文本框text_boxes = [obj for obj in layout if isinstance(obj, LTTextBoxHorizontal)]text_boxes.sort(key=lambda obj: -obj.y0)  # 从上到下排序# 简单的表格检测逻辑current_y = Nonefor box in text_boxes:if current_y is None:current_y = box.y0current_row.append(box.get_text().strip())elif abs(box.y0 - current_y) < 5:  # 同一行current_row.append(box.get_text().strip())else:  # 新行current_table.append(current_row)current_row = [box.get_text().strip()]current_y = box.y0if current_row:current_table.append(current_row)if current_table:tables.append(current_table)return tables