PDFMiner是一个Python的 PDF解析器，可以从PDF文档中提取信息。与其他PDF相关的工具不同，它侧重的是获取和分析文本数据。PDFMiner允许获取某一页中文本的准确位置和一些诸如字体、行数的信息。它包括一个PDF转换器，可以把PDF文件转换成HTML等格式。还有一个扩展的PDF解析器，可以用于除文本分析以外的其他用途。
特性完全用Python编写
解析、分析和转换PDF文档
PDF-1.7规范支持
CJK语言和垂直书写脚本支持
支持各种字体类型（Type1、TrueType、Type3和CID）
基本加密（RC4）支持
大纲（TOC）提取
标记内容提取
自动布局分析
PDFMiner内置两个工具：pdf2txt.py和dumppdf.py：
pdf2txt.py从PDF文件中提取所有文本内容。但不能识别画成图片的文本，这需要特征识别。对于加密的PDF你需要提供一个密码才能解析，对于没有提取权限的PDF文档你得不到任何文本。
dumppdf.py把PDF文件内容变成pseudo-XML格式。这个程序主要用于debug，但是它也可能用于提取一些有意义的内容（比如图片）。
评论