PDFMiner 是一款 PDF 文档的文本提取工具。
警告：截至 2020 年，PDFMiner 并未得到积极维护。该代码仍然有效，但该项目基本上处于休眠状态。对于活动项目，请查看其分支 pdfminer.6。
纯Python（3.6或更高版本）。
支持 PDF-1.7。 （嗯，差不多）
获取文本的确切位置以及其他布局信息（字体等）。
执行自动布局分析。
可以将 PDF 转换为其他格式（HTML/XML）。
可以提取大纲（TOC）。
可以提取标记的内容。
支持基本加密（RC4 和 AES）。
支持各种字体类型（Type1、TrueType、Type3 和 CID）。
支持CJK语言和竖写文字。
具有可扩展的 PDF 解析器，可用于其他目的。
> pip install pdfminer
> pdf2txt.py samples/simple1.pdf
pdf2txt.py 提取以编程方式呈现的所有文本。它还提取每个文本段的相应位置、字体名称、字体大小、书写方向（水平或垂直）。 它无法识别图像中的文本。受限制的 PDF 文档需要提供密码。
> pdf2txt.py [-P password] [-o output] [-t text|html|xml|tag] [-O output_dir] [-c encoding] [-s scale] [-R rotation] [-Y normal|loose|exact] [-p pagenos] [-m maxpages] [-S] [-C] [-n] [-A] [-V] [-M char_margin] [-L line_margin] [-W word_margin] [-F boxes_flow] [-d] input.pdf ...
-P password ：PDF密码。
-o output ：输出文件名。
-t text|html|xml|tag ：输出类型。 （默认值：从输出文件名自动推断。）
-O output_dir ：提取图像的输出目录。
-c encoding ：输出编码。 （默认：utf-8）
-s scale ：输出比例。
-R rotation ：以度数旋转页面。
-Y normal|loose|exact ：指定布局模式。 （仅适用于 HTML 输出。）
-p pagenos ：仅处理某些页面。
-m maxpages ：限制要处理的最大页数。
-S ：去除控制字符。
-C ：禁用资源缓存。
-n ：禁用布局分析。
-A ：对包括图形在内的所有文本应用布局分析。
-V ：自动检测垂直书写。
-M char_margin ：指定字符边距。
-W word_margin ：指定字边距。
-L line_margin ：指定行边距。
-F boxes_flow ：指定盒子流量比率。
-d ：打开调试输出。
dumppdf.py 用于调试 PDF。它以伪 XML 格式转储所有内部内容。
> dumppdf.py [-P password] [-a] [-p pageid] [-i objid] [-o output] [-r|-b|-t] [-T] [-O directory] [-d] input.pdf ...
-P password ：PDF密码。
-a ：提取所有对象。
-p pageid ：提取页面对象。
-i objid ：提取某个对象。
-o output ：输出文件名。
-r ：原始模式。转储原始压缩/编码流。
-b ：二进制模式。转储未压缩/解码的流。
-t ：文本模式。以文本格式转储流。
-T ：标记模式。转储标记的内容。
-O output_dir ：提取流的输出目录。
用更好的东西替换 STRICT 变量。
完善调试功能。
使用日志记录模块而不是 sys.stderr。
正确的测试用例。
符合 PEP-8 和 PEP-257 要求。
更好的文档。
加密流过滤器支持。
pypdf
pdf文件
pdfbox
多普夫夫
