软件简介

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）。