Python 将pdf转换成txt（不处理图片）

　　上一篇文章中已经介绍了简单的python爬网页下载文档，但下载后的文档多为doc或pdf，对于数据处理仍然有很多限制，所以将doc／pdf转换成txt显得尤为重要。查找了很多资料，在linux下要将doc转换成txt确实有难度，所以考虑先将pdf转换成txt。

　　师兄推荐使用PDFMiner来处理，尝试了一番，确实效果不错，在此和大家分享。

　　PDFMiner 的简介：PDFMiner is a tool for extracting information from PDF documents. Unlike other PDF-related tools, it focuses entirely on getting and analyzing text data.有兴趣的同学请通过官网进行详细查看，通过PDFMiner中的小工具pdf2txt.py，便能将pdf转换成txt，而且仍保留pdf中的格式，超赞！

　　阅读pdf2txt.py的源码，我们可以看到具体的实现步骤，为了以后能处理大规模的pdf文件，这里我们只提取出pdf转换成txt的部分，具体实现代码如下：

# -*- coding: utf-8 -*-
#-----------------------------------------------------
#   功能：将pdf转换成txt（不处理图片）
#   作者：chenbjin
#   日期：2014-07-11
#   语言：Python 2.7.6
#   环境：linux（ubuntu）
#        PDFMiner20140328（Must be installed）
#   使用：python pdf2txt.py file.pdf
#-----------------------------------------------------

import sys
from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
#main
def main(argv) :
    #输出文件名，这里只处理单文档，所以只用了argv［1］
    outfile = argv[1] + ‘.txt‘
    args = [argv[1]]

    debug = 0
    pagenos = set()
    password = ‘‘
    maxpages = 0
    rotation = 0
    codec = ‘utf-8‘   #输出编码
    caching = True
    imagewriter = None
    laparams = LAParams()
    #
    PDFResourceManager.debug = debug
    PDFPageInterpreter.debug = debug

    rsrcmgr = PDFResourceManager(caching=caching)
    outfp = file(outfile,‘w‘)　　 #pdf转换
    device = TextConverter(rsrcmgr, outfp, codec=codec, laparams=laparams,
                imagewriter=imagewriter)　　
    for fname in args:
        fp = file(fname,‘rb‘)
        interpreter = PDFPageInterpreter(rsrcmgr, device)　　　　 #处理文档对象中每一页的内容
        for page in PDFPage.get_pages(fp, pagenos,
                          maxpages=maxpages, password=password,
                          caching=caching, check_extractable=True) :
            page.rotate = (page.rotate+rotation) % 360
            interpreter.process_page(page)
        fp.close()
    device.close()
    outfp.close()
    return

if __name__ == ‘__main__‘ : main(sys.argv)

　　下一步将尝试将pdf中的图片进行转换，可以通过http://denis.papathanasiou.org/2010/08/04/extracting-text-images-from-pdf-files/ 进行了解。

参考资料：

1.PDFMiner：http://www.unixuser.org/~euske/python/pdfminer/

Python 将pdf转换成txt（不处理图片）,布布扣,bubuko.com