PDFMiner 是一款 PDF 文件的文字擷取工具。
警告：截至 2020 年，PDFMiner 並未得到積極維護。該程式碼仍然有效，但該項目基本上處於休眠狀態。對於活動項目，請查看其分支 pdfminer.6。
純Python（3.6或更高版本）。
支援 PDF-1.7。 （嗯，差不多）
取得文字的確切位置以及其他佈局資訊（字體等）。
執行自動佈局分析。
可以將 PDF 轉換為其他格式（HTML/XML）。
可以提取大綱（TOC）。
可以提取標記的內容。
支援基本加密（RC4 和 AES）。
支援各種字型類型（Type1、TrueType、Type3 和 CID）。
支援CJK語言和豎寫文字。
具有可擴展的 PDF 解析器，可用於其他目的。
> pip install pdfminer
> pdf2txt.py samples/simple1.pdf
pdf2txt.py 提取以程式設計方式呈現的所有文字。它還提取每個文字段的相應位置、字體名稱、字體大小、書寫方向（水平或垂直）。 它無法識別圖像中的文字。受限制的 PDF 文件需要提供密碼。
> 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密碼。
-o output ：輸出檔名。
-t text|html|xml|tag ：輸出類型。 （預設值：從輸出檔名自動推斷。）
-O output_dir ：提取影像的輸出目錄。
-c encoding ：輸出編碼。 （預設：utf-8）
-s scale ：輸出比例。
-R rotation ：以度數旋轉頁面。
-Y normal|loose|exact ：指定佈局模式。 （僅適用於 HTML 輸出。）
-p pagenos ：僅處理某些頁面。
-m maxpages ：限制要處理的最大頁數。
-S ：移除控製字元。
-C ：停用資源快取。
-n ：停用佈局分析。
-A ：對包括圖形在內的所有文字套用佈局分析。
-V ：自動偵測垂直書寫。
-M char_margin ：指定字元邊距。
-W word_margin ：指定字邊距。
-L line_margin ：指定行邊距。
-F boxes_flow ：指定盒子流量比率。
-d ：開啟調試輸出。
dumppdf.py 用於調試 PDF。它以偽 XML 格式轉儲所有內部內容。
> dumppdf.py [-P password] [-a] [-p pageid] [-i objid] [-o output] [-r|-b|-t] [-T] [-O directory] [-d] input.pdf ...
-P password ：PDF密碼。
-a ：提取所有對象。
-p pageid ：提取頁面物件。
-i objid ：提取某個物件。
-o output ：輸出檔名。
-r ：原始模式。轉儲原始壓縮/編碼流。
-b ：二進位模式。轉儲未壓縮/解碼的串流。
-t ：文字模式。以文字格式轉儲流。
-T ：標記模式。轉儲標記的內容。
-O output_dir ：提取流的輸出目錄。
用更好的東西取代 STRICT 變數。
完善調試功能。
使用日誌記錄模組而不是 sys.stderr。
正確的測試用例。
符合 PEP-8 和 PEP-257 要求。
更好的文檔。
加密流過濾器支援。
pypdf
pdf文件
pdfbox
多普夫夫
