摘要：能獲取頁(yè)面中文本的準(zhǔn)確位置，以及字體或行等其他信息。安裝修改的源碼利用截取中的某幾頁(yè)，如果的中文字編碼為編碼，則無(wú)法解析。在簡(jiǎn)體中文操作系統(tǒng)中，編碼代表編碼。其一在文件中第行，改為此處是為了適應(yīng)含有的編碼的中文字符，提供對(duì)其的解碼能力。

現(xiàn)在我們有大量的pdf文件，我們想要截取每個(gè)文件中感興趣的一部分，比如，我們下載了3500份上市公司的年度報(bào)告，我們想要找到包含“關(guān)鍵審計(jì)事項(xiàng)”部分內(nèi)容，將pdf相關(guān)頁(yè)保存為新的pdf文件。
python環(huán)境：

anaconda3
pdfminer3k
pypdf2

PDFMiner是一個(gè)從PDF文檔中提取信息的工具。與其他PDF相關(guān)的工具不同，它只用于獲取和分析文本數(shù)據(jù)。PDFMiner能獲取頁(yè)面中文本的準(zhǔn)確位置，以及字體或行等其他信息。它還有一個(gè)PDF轉(zhuǎn)換器，可以將PDF文件轉(zhuǎn)換成其他文本格式(如HTML)。還有一個(gè)可擴(kuò)展的解析器PDF，可以用于文本分析以外的其他用途。

安裝pdfminer3k

pip install pdfminder3k

解析pdf，匹配關(guān)鍵字，返回其所在頁(yè)碼

參考

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

path =  r"./report/603999讀者傳媒2017年年度報(bào)告.pdf"

def  parse(path):
    """
    #解析pdf文件，并將文字內(nèi)容更保存在文本中
    返回“關(guān)鍵字”所在的頁(yè)碼
    """
    fp =  open(path, "rb") # 以二進(jìn)制讀模式打開
    # 用文件對(duì)象來(lái)創(chuàng)建一個(gè)pdf文檔分析器
    praser = PDFParser(fp)
    # 創(chuàng)建一個(gè)PDF文檔
    doc = PDFDocument()
    # 連接分析器 與文檔對(duì)象
    praser.set_document(doc)
    doc.set_parser(praser)
    # 提供初始化密碼
    # 如果沒(méi)有密碼 就創(chuàng)建一個(gè)空的字符串
    doc.initialize()
    # 檢測(cè)文檔是否提供txt轉(zhuǎn)換，不提供就忽略
    if  not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 創(chuàng)建PDf 資源管理器 來(lái)管理共享資源
        rsrcmgr = PDFResourceManager()
        # 創(chuàng)建一個(gè)PDF設(shè)備對(duì)象
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 創(chuàng)建一個(gè)PDF解釋器對(duì)象
        interpreter = PDFPageInterpreter(rsrcmgr, device)
        # 循環(huán)遍歷列表，每次處理一個(gè)page的內(nèi)容
        page_num=0
        key_flag=False
        for page in doc.get_pages(): # doc.get_pages() 獲取page列表
            if key_flag: #如果找到第一個(gè)關(guān)鍵字，則退出解析
                break
            page_num=page_num+1
            interpreter.process_page(page)
            # 接受該頁(yè)面的LTPage對(duì)象
            layout = device.get_result()
            # 這里layout是一個(gè)LTPage對(duì)象 里面存放著 這個(gè)page解析出的各種對(duì)象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要獲取文本就獲得對(duì)象的text屬性，
            for x in layout:
                if (isinstance(x, LTTextBoxHorizontal)):
                    results = x.get_text()
                    if  "關(guān)鍵審計(jì)事項(xiàng)"  in results: # 匹配到關(guān)鍵字，則退出該頁(yè)的循環(huán)
                        key_flag=True
                        break
        return page_num

PyPDF2是一個(gè)python PDF庫(kù)，能夠分割、合并、裁剪和轉(zhuǎn)換PDF文件的頁(yè)面。它還可以向PDF文件中添加自定義數(shù)據(jù)、查看選項(xiàng)和密碼。它可以從PDF檢索文本和元數(shù)據(jù)，還可以將整個(gè)文件合并在一起。

安裝pypdf2：

pip install pypdf2

修改pypdf2的源碼

利用pypdf2截取pdf中的某幾頁(yè)，如果pdf的中文字編碼為ANSI編碼，則無(wú)法解析。對(duì)于pypdf2對(duì)于gbk不支持的現(xiàn)象，需要對(duì)以下兩處進(jìn)行修改。參考

tips:
ANSI是一種字符代碼，為使計(jì)算機(jī)支持更多語(yǔ)言。ANSI編碼表示英文字符時(shí)用一個(gè)字節(jié)，表示中文用兩個(gè)或四個(gè)字節(jié)。在簡(jiǎn)體中文Windows操作系統(tǒng)中，ANSI 編碼代表 GBK 編碼。
GBK是在國(guó)家標(biāo)準(zhǔn)GB2312基礎(chǔ)上擴(kuò)容后兼容GB2312的標(biāo)準(zhǔn)。

其一：
在文件*Miniconda3libsite-packagesPyPDF2generic.py"中第488行，改為
此處是為了適應(yīng)含有‘gbk’的編碼的中文字符，提供對(duì)其的解碼能力。

try:
    return NameObject(name.decode("utf-8"))
except (UnicodeEncodeError, UnicodeDecodeError) as e:
    # Name objects should represent irregular     characters
    # with a "#" followed by the symbol"s hex number
    ret=name.decode("gbk")
    return NameObject(ret)

其二：
在文件*Miniconda3libsite-packagesPyPDF2utils.py中，第238-241行，改為：
此處是為了適應(yīng)‘utf-8’的編碼情況；

try:
    r = s.encode("latin-1")
    if len(s) < 2:
        bc[s] = r
    return r
except Exception as e:
    print(s)
    r = s.encode("utf-8")
    if len(s) < 2:
        bc[s] = r
    return r

截取pdf特定頁(yè)

from PyPDF2 import PdfFileWriter, PdfFileReader
def  pdfCrap(path,start_page,save_path):
    """
    從pdf文件中截取幾頁(yè)，并保存在對(duì)應(yīng)pdf文件中
    """
    # 開始頁(yè)
    start_page = start_page - 1
    # 截止頁(yè)
    end_page = start_page +  5  # 這里設(shè)定截取5頁(yè)
    output = PdfFileWriter()
    pdf_file = PdfFileReader(open(path, "rb"), strict=False)
    pdf_pages_len = pdf_file.getNumPages()
    for i  in  range(start_page, end_page):
        output.addPage(pdf_file.getPage(i)) # 在輸出流中添加頁(yè)
    outputStream =  open(save_path, "wb")
    output.write(outputStream)

以上已經(jīng)可以實(shí)現(xiàn)對(duì)單一pdf文件的解析以及提取特定頁(yè)了，剩下的就是將整個(gè)流程串聯(lián)起來(lái)，實(shí)現(xiàn)批量pdf文件的截取。

import os
def  file_name(file_dir):
    """
    獲取某文件夾下，特定擴(kuò)展名的文件名，
    返回特定擴(kuò)展名文件列表
    """
    L=[]
    for root, dirs, files in os.walk(file_dir):
        for  file  in files:
            if os.path.splitext(file)[1] ==  ".pdf": #os.path.splitext()函數(shù)將路徑拆分為文件名+擴(kuò)展名
            L.append(file)
    return L

現(xiàn)在，我們已經(jīng)能夠進(jìn)行批量pdf文件的裁剪了，但在實(shí)際操作中，會(huì)發(fā)生許多意外，使得程序被中斷，為了避免中斷影響批處理的進(jìn)程，現(xiàn)在添加異常處理功能。

file_path =  "./report/"  # 輸入文件所在的文件夾
result_path =  "./result/"  # 輸出文件所在文件夾
def  getAll():
    """
    批量裁剪pdf文件，添加程序log，記錄文件名，關(guān)鍵字起始頁(yè)碼，并且對(duì)異常情況進(jìn)行記錄；
    """
    files=file_name(file_path)
    for  file  in  files:
        try:
            path = file_path +  file
            page=parse(path)
            save_path=result_path+file
            pdfCrap(path,page,save_path)
            if page==0: #如果識(shí)別出起始頁(yè)碼為0，說(shuō)明關(guān)鍵字未被找到，需要記錄。
                raise  Exception("page_num=0")
            with  open(r"./log.txt", "a", encoding="utf-8") as f:
            f.write(file+" start_page: "+str(page)+"
")
        except  Exception  as  e: # 捕獲錯(cuò)誤
            print("error: ", e)
            with  open(r"./error_log.txt", "a", encoding="utf-8") as f:
            f.write(file+" start_page: "+str(page)+"
")
            continue