# coding:utf-8

from pdfminer.pdfparser import PDFParser,PDFDocument

from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter

from pdfminer.pdfdevice import PDFDevice

from pdfminer.layout import LAParams

from pdfminer.converter import PDFPageAggregator

fp = open("1.pdf","rb") # 打开对象，使用二进制方式

parser = PDFParser(fp) # 创建对应的解释器，传入文件对象，可理解为解释文件

doc = PDFDocument() # 创建文档对象

parser.set_document(doc) # 两步方法将fp的解释器和doc文档关联起来

doc.set_parser(parser) # 两步方法将fp的解释器和doc文档关联起来

doc.initialize() # 关联了解释器的文档，进行初始化

resource = PDFResourceManager() # 创建pdf的资源管理器

laparams = LAParams() # 创建pdf的参数分析器

device = PDFPageAggregator(resource,laparams=laparams) # 使用聚合器将资源管理器和参数分析器聚合在一起

interpreter = PDFPageInterpreter(resource,device) # 创建页面解析器，将资源管理器和聚合其结合在一起

for page in doc.get_pages(): # 获取文档对象的每一页

    interpreter.process_page(page) # 使用页面解析器解析每一页

    layout = device.get_result() # 使用聚合其获取解析的结果

    for out in layout: # 遍历获取的结果

        print(out.get_text()) # 输出

读取文件方式

二进制读的模式

#!/usr/bin/env python  
# encoding: utf-8

from urllib.request import urlopen
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice

from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams



#获取文档
#fp = open("naacl06-shinyama.pdf", 'rb')
fp = urlopen('https://www.tencent.com/zh-cn/articles/802741466496787.pdf')

#创建解释器
parser = PDFParser(fp)

#PDF文档对象
doc = PDFDocument()

#连接解释器和文档对象
parser.set_document(doc)
doc.set_parser(parser)

#初始化文档
doc.initialize()

#创建PDF资源管理器
resource = PDFResourceManager()

# 创建一个PDF参数分析器
laparam = LAParams()

# 创建聚合器
device = PDFPageAggregator(resource, laparams=laparam)

#创建PDF页面解析器
interpreter = PDFPageInterpreter(resource, device)

# 循环遍历列表，每次处理一页的内容
# doc.get_pages() 获取page列表
for page in doc.get_pages():
    #使用页面解释器来读取
    interpreter.process_page(page)
    #使用聚合器获得内容
    layout = device.get_result()
    for out in layout:
        if hasattr(out, 'get_text'):
            print(out.get_text())