目標：擷取PDF檔案內容並進行中文分詞。
以 PDFMiner API 自PDF檔案擷取文字資料，再利用先前我們曾經使用過的jieba來進行中文分詞。
工具：
Python Packages 也可以 pip 方式進行安裝：
export http_proxy=http://proxy.hinet.net:80
export https_proxy=http://proxy.hinet.net:80
pip install pdfminer
pip install jieba
程式：
# -*- coding: utf-8 -*-
import sys
import jieba
from cStringIO import StringIO
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
def convert_pdf_to_txt(path):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = file(path, 'rb')
interpreter = PDFPageInterpreter(rsrcmgr, device)
password = ""
maxpages = 0
caching = True
pagenos=set()
for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
interpreter.process_page(page)
fp.close()
device.close()
str = retstr.getvalue()
retstr.close()
return unicode(str, 'utf-8')
if __name__ == '__main__':
if len(sys.argv) < 2:
print 'python %s <your PDF filename>' % (sys.argv[0])
sys.exit()
else:
for filename in sys.argv[1:]:
# 載入使用者自建詞庫
jieba.load_userdict("userdict.txt")
# PDF檔案內容轉換為文字資料
pdf_content = convert_pdf_to_txt(filename)
pdf_content = pdf_content.replace('\n','').replace(' ','')
# 對 pdf_content 進行中文分詞
print("------開始進行中文分詞------")
words = jieba.cut(pdf_content, cut_all=True)
print(" Full Mode: " + "/ ".join(words))
print("----------------------------")
words = jieba.cut(pdf_content, cut_all=False)
print(" Default Mode: " + "/ ".join(words))
print("----------------------------")
words = jieba.cut_for_search(pdf_content)
print(" Search Engine Mode: " + ", ".join(words))
print ''
執行結果：
$ python extractPDF.py test.pdf
Building prefix dict from the default dictionary ...
Loading model from cache /tmp/jieba.cache
Loading model cost 0.687 seconds.
Prefix dict has been built succesfully.
------開始進行中文分詞------
Full Mode: 五大/ 支付/ App/ 最高/ 回饋/ 30/ / 行動/ 動支/ 支付/ 技術/ 有/ 許多
...
美容, 舒壓, 、, 購物, 、, 寵物, 等, 領域, ，, 在, 精選, 店家, 消費, ，, 最高, 滿千, 就, 送, 300, 元, ，, 等於, 現, 賺, 30, %, 左右, 的, 回饋, ；, 不, 指定, 店家, 也能, 有, 5, %, 的, 街口, 幣, 回饋, ，, 一塊, 街口, 幣, 可以, 抵, 消費, 1, 元, ，, 最高, 折抵, 40, %, 。, LINEPay, 主要, 以, 網路, 店家, 為主, ，, 將近, 200, 個, 品牌, 都可, 可以, 都可以, 透過, 它, 來, 支付, ，, 而, 實體, 店僅, 6, 家, 支援, ，, 其中, 包含, 美麗, 華, 百貨, 公司, 百貨公司, 。, Line, 與, 各家, 銀行, 推出, 的, 優惠, ，, 像是, 刷, 玉山, 滿, 388, 元, 就, 回饋, 50, 元, ，, 刷滿, 888, 元, 就, 回饋, 100, 元, ；, 綁定, 國泰, 世華卡, ，, 不用, 消費, 就, 送, 50, 元, 刷卡, 金, ；, 刷, 富邦, 、, 中信, 還能, 抽, LINE, 周邊, 商品, 。,
延伸閱讀：
參考資料：
#
