​PDF（Portable Document Format，可携带文档格式）是一种以PostScript语言图像模型为基础，在不同电脑、打印机上都能够保持固定的格式。正是因为它这一特性，让PDF备受欢迎。

image

但是，PDF与很多文档之间的转换往往是不可逆的。

你可以轻松的把Word、PPT、Excel、图像转换成PDF。但是，想要再把PDF转换成图像、文本就变得非常复杂。

我曾经写过一篇利用Python语言处理PDF文档的方式，其中用到了一个第三方工具包PDFMiner。

其实，诸如此类的工具包并不在少数。

本文要介绍的Pdfminer.six是原始PDFMiner的社区维护的分支。

它同样能够同PDF文档中提出信息，并且，它更加侧重读取和解析文本数据。它能够直接从PDF源代码中提取页面中的文本，同时可以获取位置、字体、颜色等信息。

因此，相对于大多数PDF处理工具包，Pdfminer.six在PDF文档处理方面<typo id="typo-419" data-origin="做的" ignoretag="true">做的</typo>更加彻底，效果也更好。

本文，就来介绍一下这个Python工具包的使用。

Pdfminer.six

安装

Pdfminer.six的安装和其他Python工具包一样，非常简单，直接通过pip命令就可以完成安装：

<pre language="javascript" code_block="true">$ pip install pdfminer.six
</pre>

提取PDF信息

Pdfminer.six提供了2种提取PDF信息的方式：

• 命名行
• Python代码

首先，来看一下利用命令行提取PDF信息的方式。

Pdfminer.six的源代码中提供一些PDF处理工具，它们都被放置在源代码的tools目录下。因此，你可以克隆代码，直接在命令行下调用这些工具脚本提取PDF信息，例如：

<pre language="javascript" code_block="true">$ python tools/pdf2txt.py example.pdf
all the text from the pdf appears on the command line
</pre>

除此之外，还有其他的工具脚本。比如，PDF文本对比、提取PDF内部结构。

其次，再来看一下通过Python代码提取PDF信息。

通过PDF代码提取PDF信息也分2种方式：

• 高阶接口
• 自定义

Pdfminer.six目前提供了3个用于PDF处理的高阶接口，它们分别是：

• extract_text
• extract_text_to_fp
• extract_pages

如果，你想提取PDF中的页面或者其中的文本内容，可以直接调用这些高阶接口，没必要从头至尾实现一遍解析代码，例如：

<pre language="javascript" code_block="true">from pdfminer.high_level import extract_text
text = extract_text('samples/simple1.pdf')
</pre>

当然，PDF的处理场景远不止提取文本和页面这么简单。

有时候，还需要提取图像、字体等信息。

这时候命令行工具和高阶接口就无法胜任，就需要定制化<typo id="typo-1238" data-origin="的" ignoretag="true">的</typo>进行开发，需要用到Pdfminer.six的一些底层接口。

例如，从PDF文件中提取文本并将其保存到python变量中：

<pre language="javascript" code_block="true">from io import StringIO

from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser

output_string = StringIO()
with open('samples/simple1.pdf', 'rb') as in_file:
parser = PDFParser(in_file)
doc = PDFDocument(parser)
rsrcmgr = PDFResourceManager()
device = TextConverter(rsrcmgr, output_string, laparams=LAParams())
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(doc):
interpreter.process_page(page)

print(output_string.getvalue())
</pre>

此外，Pdfminer.six的强大之处在于，它还可以提取PDF文档中字体、大小等更加细节的信息，

<pre language="javascript" code_block="true">from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTChar
for page_layout in extract_pages("test.pdf"):
for element in page_layout:
if isinstance(element, LTTextContainer):
for text_line in element:
for character in text_line:
if isinstance(character, LTChar):
print(character.fontname)
print(character.size)
</pre>

PDF中往往会有很多图像，通过Pdfminer.six内置的脚本，可以把PDF文档中的图像直接提取出来：

<pre language="javascript" code_block="true">$ pdf2txt.py example.pdf --output-dir cats-and-dogs
</pre>

这样，example.pdf文档中的所有图像都会被提取到cats-and-dogs文件夹下。

结语

PDF作为一种常用的文档格式，目前在网络上很容易就可以找到PDF处理方面的在线或者桌面工具。其中，有很多工具的确很良心。

但是，绝大多数工具都会对处理页数、文档大小有限制。超出限制，就需要付出一定的费用。

如果你有一定的Python开发基础，通过编写代码的方式可以很轻松的完成那些付费才能完成的事情。

而且，它还能够保护自己的隐私数据，避免PDF文档上传到服务器，造成信息泄露。