( 白宁超 2018年7月16日14:47:41 )

导读：随着大数据的快速发展，自然语言处理、数据挖掘、机器学习技术应用愈加广泛。针对大数据的预处理工作是一项庞杂、棘手的工作。首先数据采集和存储，尤其高质量数据采集往往不是那么简单。采集后的信息文件格式不一，诸如pdf，doc，docx，Excel，ppt等多种形式。然而最常见便是txt、pdf和word类型的文档。本文主要对pdf和word文档进行文本格式转换成txt。格式一致化以后再进行后续预处理工作。笔者采用一些工具转换效果都不理想，于是才出现本系统的研究与实现。（本文原创，转载必须注明出处： ）

1 本文概述

1.1 背景介绍

为什么要文件格式转换？

       无论读者现在是做数据挖掘、数据分析、自然语言处理、智能对话系统、商品推荐系统等等，都不可避免的涉及语料的问题即大数据。数据来源无非分为结构化数据、半结构化数据和非结构化数据。其中结构化数据以规范的文档、数据库文件等等为代表；半结构化数据以网页、json文件等为代表；非结构化数据以自由文本为主，诸如随想录、中医病症记录等等。遗憾的是现实生活中半结构化和非结构化数据居多，而且往往还需要自己去收集。

       读者试想以下情况：

1. 你的技术主管交给你一堆数据文件，让你做数据分析工作。你打开一看文件格式繁杂，诸如pdf、doc、docx、txt、excel等。更悲催的是有些pdf文件还是加密的，或者是图片格式的等复杂情况。此刻你采用什么方法做数据分析与预处理工作呢？
2. 上面情况算你幸运，隔几天技术主管直接给你一堆网站，让你自己去采集信息。你或许会惊喜的说的，那不简单，使用爬虫技术不就可以啦？恭喜你思路完全正确，可是爬取过程中遇到一些网页是pdf格式的情况，你不能直接抓取页面了。你此刻如何去采集信息呢？

现有工具的转换效果如何

针对以上典型的情况，自定义插件PDFMiner、win2com等将派上用场（本文主要讲述文件格式转化，网络爬虫解析读者自行研究）。首先我们看看常规方式的处理，比如我下载个格式转化软件或者在线格式转化软件，具体如下所示：

在线格式转换工具1页面效果如下：

图1-1 在线格式转换工具1

pdf格式转化为txt后的效果如下：

图1-2 工具1pdf格式转化为txt结果

上面转换效果读者是否满意？是否因为某一个在线转换工具不完备，那我们再尝试一个,在线格式转换工具2页面效果如下：

 

图1-3 在线格式转换工具2

pdf格式转化为txt后的效果如下：

图1-4 工具2pdf格式转化为txt结果

继续我们的格式转换工作，我们这次采用offic软件内带的pdf另存为效果如下：

图1-5 offic软件内带的pdf另存为效果

总结

通过上面现有常规的方法，我们总结出以下问题：

1、 格式转换后，识别乱码较多。2、 不支持或者限制支持批量处理。3、 格式转换后的txt文件存在编码问题。4、 生成目标文件的标题跟原标题不一致。5、 操作不够灵活便捷。

1.2 基于自定义格式转换介绍

预期效果

1、 将带有嵌套的目录放在一个根目录文件下，只需要传入文件名即可自动转化。2、 自动过滤掉不符合指定格式的文件。3、 对处理的pdf文件不能识别的（加密文件等）给出日志记录其路径。4、 生成目标文件的标题跟原文件目录标题保持一致。5、 生成的文件按照统一的utf-8编码格式保存。6、 支持默认保存路径与自定义保存路径。

预期效果展示

待处理语料数据如下：

图1-6 处理语料数据集

处理后默认自动保存的结果（支持自定义指定保存目录）：

 

图1-7 默认自动保存转化后的数据集

 

基于自定义插件的文本转化效果：

图1-8 自定义插件的文本转化效果

基于pdfminer插件的运行效果

图1-9 整体运行效果图

2 基础配置工作

2.1 基础准备工作

运行环境

1、windows7以上64bit操作系统2、sublime运行环境3、python3.0+

需要插件

1、 pdfminer插件： 链接: https://pan.baidu.com/s/1p7X430bvBpjJ-qGNO-Fmcg 密码: v5th   或者：pip install pdfminer3k

图2-1 pip方式安装pdfminer插件

2、 win2com 插件：链接: https://pan.baidu.com/s/1-2BsiTs8XjMIe5Gnh_GFjw 密码: 7j3t   pip install pypiwin32

图2-2 pip方式安装win2com插件

2.2 类库重构

算法基础类库重构

重构又称高度代码封装，旨在代码重用和面向对象编程。本文将相关基本方法封装在一个类库中供外部类调用，提高代码复用性和可读性。具体重构文件结构如下：

重构文件名：BaseClass.py'''功能描述：遍历目录，对子文件单独处理参数描述：        1 rootdir：待处理的目录路径        2 deffun： 方法参数，默认为空        3 savepath: 保存路径'''class TraversalFun():    TraversalDir：遍历目录文件方法    creat_savepath：支持默认和自定义保存目录方法    AllFiles：递归遍历所有文件，并提供具体文件操作功能    TranType：通过指定关键字操作，检查文件类型并转化目标类型    filelogs：记录文件处理日志方法    cleardir：清空目录文件方法    writeFile：文件的写操作方法    readFile：文件的读操作方法    mkdir：创建目录方法    '''    功能描述：提供全局变量类    作    者：白宁超    时    间：2017年10月24日15:07:38    '''    class Global(object):提高各个公共全局变量    '''    功能描述：测试类    作    者：白宁超    时    间：2017年10月24日15:07:38    '''    def TestMethod(filepath,newpath):方法测试类

核心方法详解

1 TraversalFun类方法：

def __init__(self,rootdir,deffun=None,savedir=""):    self.rootdir = rootdir # 目录路径    self.deffun = deffun   # 参数方法    self.savedir = savedir # 保存路径''' 遍历目录文件'''def TraversalDir(self,defpar='newpath'):    try:        # 支持默认和自定义保存目录        newdir = TraversalFun.creat_savepath(self,defpar)        # 递归遍历word文件并将其转化txt文件        TraversalFun.AllFiles(self,self.rootdir,newdir)    except Exception as e:        raise e'''支持默认和自定义保存目录'''# @staticmethoddef creat_savepath(self,defpar):    # 文件路径切分为上级路径和文件名('F:\\kjxm\\kjt', '1.txt')    prapath,filename = os.path.split(self.rootdir)    newdir = ""    if self.savedir=="":        newdir = os.path.abspath(os.path.join(prapath,filename+"_"+defpar))    else:        newdir = self.savedir    print("保存目录路径：\n"+newdir)    if not os.path.exists(newdir):        os.mkdir(newdir)    return newdir'''递归遍历所有文件，并提供具体文件操作功能。'''def AllFiles(self,rootdir,newdir=''):    # 返回指定目录包含的文件或文件夹的名字的列表    for lists in os.listdir(rootdir):        # 待处理文件夹名字集合        path = os.path.join(rootdir, lists)        # 核心算法，对文件具体操作        if os.path.isfile(path):            self.deffun(path,newdir) # 具体方法实现功能            # TraversalFun.filelogs(rootdir)  # 日志文件        # 递归遍历文件目录        if os.path.isdir(path):            newpath = os.path.join(newdir, lists)            if not os.path.exists(newpath):                os.mkdir(newpath)            TraversalFun.AllFiles(self,path,newpath)''' 通过指定关键字操作，检查文件类型并转化目标类型'''def TranType(filename,typename):    # print("本方法支持文件类型处理格式：pdf2txt，代表pdf转化为txt；word2txt，代表word转化txt；word2pdf，代表word转化pdf。")    # 新的文件名称    new_name = ""    if typename == "pdf2txt" :        #如果不是pdf文件，或者是pdf临时文件退出        if not fnmatch.fnmatch(filename, '*.pdf') or not fnmatch.fnmatch(filename, '*.PDF') or fnmatch.fnmatch(filename, '~$*'):            return        # 如果是pdf文件，修改文件名        if fnmatch.fnmatch(filename, '*.pdf') or fnmatch.fnmatch(filename, '*.PDF'):            new_name = filename[:-4]+'.txt' # 截取".pdf"之前的文件名    if typename == "word2txt" :        #如果是word文件：        if fnmatch.fnmatch(filename, '*.doc') :            new_name = filename[:-4]+'.txt'            print(new_name)        if fnmatch.fnmatch(filename, '*.docx'):            new_name = filename[:-5]+'.txt'        # 如果不是word文件，或者是word临时文件退出        else:            return    if typename == "word2pdf" :        #如果是word文件：        if fnmatch.fnmatch(filename, '*.doc'):            new_name = filename[:-4]+'.pdf'        if fnmatch.fnmatch(filename, '*.docx'):            new_name = filename[:-5]+'.pdf'        #如果不是word文件：继续        else:            return    return new_name'''记录文件处理日志'''def filelogs(rootdir):    prapath,filename = os.path.split(rootdir)    # 创建日志目录    dirpath = prapath+r"/"+filename+"_logs"    TraversalFun.mkdir(dirpath)    # 错误文件路径    errorpath = dirpath+r"/errorlogs.txt"    # 限制文件路径    limitpath = dirpath+r"/limitlogs.txt"    # 错误文件日志写入    TraversalFun.writeFile(errorpath,'\n'.join(Global.error_file_list))    # # 限制文件日志写入    TraversalFun.writeFile(limitpath,'\n'.join(Global.limit_file_list))'''清空目录文件'''def cleardir(dirpath):    if not os.path.exists(dirpath):        TraversalFun.mkdir(dirpath)    else:        shutil.rmtree(dirpath)        TraversalFun.mkdir(dirpath)''' 文件的写操作'''def writeFile(filepath,strs): #encoding="utf-8"    with open(filepath,'wb') as f:        f.write(strs.encode())''' 文件的读操作'''def readFile(filepath):    isfile = os.path.exists(filepath)    readstr = ""    if isfile:        with open(filepath,"r",encoding="utf-8") as f:            readstr = f.read()    else:        return    return readstr''' 创建目录 '''def mkdir(dirpath):    # 判断路径是否存在    isExists=os.path.exists(dirpath)    # 判断结果    if not isExists:        os.makedirs(dirpath)        print(dirpath+' 创建成功')    else:        pass

2 TestMethod测试类

'''功能描述：测试类作    者：白宁超时    间：2017年10月24日15:07:38'''def TestMethod(filepath,newpath):    if os.path.isfile(filepath) :        print("this is file name:"+filepath)    else:        pass

3 利用测试类方法运行方法参数效果图

方法的调用：传达参数分别是跟目录和测试类中的方法参数

t1=time.time()# 根目录文件路径rootDir = r"../../Corpus/DataSet"tra=TraversalFun(rootDir,TestMethod) # 默认方法参数打印所有文件路径tra.TraversalDir()                   # 遍历文件并进行相关操作t2=time.time()totalTime=Decimal(str(t2-t1)).quantize(Decimal('0.0000'))print("耗时："+str(totalTime)+" s"+"\n")input()

运行结果如图所示：

图2-3 测试方法参数判断是文件的打印文件路径

3 基于pdfminer插件的pdf批量格式转换代码实现

pdfminer原理介绍

图3-1 pdfminer解析原理

由于解析PDF是一件非常耗时和内存的工作，因此PDFMiner使用了一种称作lazy parsing的策略，只在需要的时候才去解析，以减少时间和内存的使用。要解析PDF至少需要两个类：PDFParser 和 PDFDocument，PDFParser 从文件中提取数据，PDFDocument保存数据。另外还需要PDFPageInterpreter去处理页面内容，PDFDevice将其转换为我们所需要的。PDFResourceManager用于保存共享内容例如字体或图片。

图3-2 LTpage解析原理

1. LTPage :表示整个页。可能会含有LTTextBox，LTFigure，LTImage，LTRect，LTCurve和LTLine子对象。
2. LTTextBox:表示一组文本块可能包含在一个矩形区域。注意此box是由几何分析中创建，并且不一定表示该文本的一个逻辑边界。它包含TTextLine对象的列表。使用 get_text（）方法返回的文本内容。
3. LTTextLine :包含表示单个文本行LTChar对象的列表。字符对齐要么 水平或垂直，取决于文本的写入模式。
4. get_text（）方法返回的文本内容。
5. LTAnno:在文本中实际的字母表示为Unicode字符串（？）。需要注意的是，虽然一个LTChar对象具有实际边界，LTAnno对象没有，因为这些是“虚拟”的字符，根据两个字符间的关系（例如，一个空格）由布局分析后插入。
6. LTImage:表示一个图像对象。嵌入式图像可以是JPEG或其它格式，但是目前PDFMiner没有放置太多精力在图形对象。
7. LTLine:代表一条直线。可用于分离文本或附图。
8. LTRect:表示矩形。可用于框架的另一图片或数字。
9. LTCurve:表示一个通用的 Bezier曲线

pdfminer学习文献

英文官方：https://euske.github.io/pdfminer/index.html 中文：https://blog.csdn.net/robolinux/article/details/43318229

pdfminer代码实现

# pdfminer库的地址 https://pypi.python.org/pypi/pdfminer3k# 下载后，用cmd执行命令 setup.py installfrom pdfminer.pdfparser import PDFParser,PDFDocumentfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import PDFPageAggregatorfrom pdfminer.layout import LTTextBoxHorizontal,LAParamsfrom pdfminer.pdfinterp import PDFTextExtractionNotAllowedfrom decimal import Decimalimport time,fnmatch,os,re,sysfrom BaseClass import *  #全局变量# from BaseClass import TraversalFun # 文件遍历处理基类函数# 清除警告import logginglogging.Logger.propagate = Falselogging.getLogger().setLevel(logging.ERROR)'''pdf文件格式转换为txt'''def PdfToText(filepath,newdir=''):    # 文件路径切分为上级路径和文件名    prapath,filename = os.path.split(filepath)    new_txt_name=TraversalFun.TranType(filename,"pdf2txt") # 更改文件名    if new_txt_name ==None:        return    newpath = os.path.join(newdir,new_txt_name) # 文件保存路径    print ("->格式转换后保留路径：\n"+newpath)    try:        praser = PDFParser(open(filepath, 'rb')) # 创建一个pdf文档分析器        doc = PDFDocument()  # 创建一个PDF文档        praser.set_document(doc)  # 连接分析器 与文档对象        doc.set_parser(praser)        doc.initialize()  # 提供初始化密码，如果没有密码 就创建一个空的字符串        # 检测文档是否提供txt转换，不提供就忽略        if not doc.is_extractable:            Global.error_file_list.append(filepath)            return        rsrcmgr = PDFResourceManager() # 创建PDf 资源管理器管理共享资源        laparams = LAParams() # 创建一个PDF设备对象        device = PDFPageAggregator(rsrcmgr, laparams=laparams)        interpreter = PDFPageInterpreter(rsrcmgr, device)  # 创建一个PDF解释器对象        pdfStr = "" # 存储解析后的提取内容        # 循环遍历列表，每次处理一个page的内容        for page in doc.get_pages(): # doc.get_pages()获取page列表            interpreter.process_page(page)            layout = device.get_result()  # 接受该页面的LTPage对象            # 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性，            for x in layout:                if (isinstance(x, LTTextBoxHorizontal)):                    pdfStr = pdfStr + x.get_text()        TraversalFun.writeFile(newpath,pdfStr) # 写文件        # 限制文件列表        filesize = os.path.getsize(newpath)        if filesize < Global.limit_file_size :            Global.limit_file_list.append(newpath+"\t"+ str(Decimal(filesize/1024).quantize(Decimal('0.00'))) +"KB")            os.remove(newpath)        else :            Global.all_FileNum+=1    except Exception as e:        Global.error_file_list.append(filepath)        returnif __name__ == '__main__':    t1=time.time()    rootDir =  r"../../Corpus/DataSet" # 默认处理路径    TraversalFun.cleardir(r'../../Corpus/DataSet_newpath') # 每次加载清空目录    print ('【批量生成的文件:】')    tra=TraversalFun(rootDir,PdfToText) # 默认方法参数打印所有文件路径    tra.TraversalDir()    # 写入日志文件    TraversalFun.filelogs(rootDir)    print ('共处理文档数目：'+str(Global.all_FileNum+len(Global.error_file_list)+len(Global.limit_file_list))+' 个,其中:\n \        1) 筛选文件(可用)'+str(Global.all_FileNum)+'个.\n \        2) 错误文件(不能识别)'+ str(len(Global.error_file_list)) +'个.\n \        3) 限制文件(<5K)'+ str(len(Global.limit_file_list))+'个.' )    t2=time.time()    totalTime=Decimal(str(t2-t1)).quantize(Decimal('0.0000'))    print("耗时："+str(totalTime)+" s"+"\n")    input()

解析pdf文件用到的类：

1. PDFParser：从一个文件中获取数据
2. PDFDocument：保存获取的数据，和PDFParser是相互关联的
3. PDFPageInterpreter处理页面内容
4. PDFDevice将其翻译成你需要的格式
5. PDFResourceManager用于存储共享资源，如字体或图像。

pdfminer页面结果：

图3-3 pdfminer运行效果

pdfminer转化结果

图3-4 pdfminer转化结果

实验结论

错误分析，打开日志文件查看

图3-5 pdfminer转化限制文件

错误原因分析：因为我们在全局变量中限制了最小文件读取1KB，该文件0KB不符合要求故而过滤出来。打开查看发现该pdf是一张图片转换出来的，没有成功识别。但是，通过技术研究是可以实现的，本文没有深入进行。还有以下结论：

1 可以支持批量文本和单文本转化。2 编码格式一致，默认utf-8。3 生成文件名誉原始处理文件名保存一致。4 生成的文本信息相对比较规范。

支持多方式转化，其他案例读者自行研究。

扩展学习

在解析有些PDF的时候会报这样的异常：pdfminer.pdfdocument.PDFEncryptionError: Unknown algorithm: param={'CF': {'StdCF': {'Length': 16, 'CFM': /AESV2, 'AuthEvent': /DocOpen}}, 'O': '\xe4\xe74\xb86/\xa8)\xa6x\xe6\xa3/U\xdf\x0fWR\x9cPh\xac\xae\x88B\x06_\xb0\x93@\x9f\x8d', 'Filter': /Standard, 'P': -1340, 'Length': 128, 'R': 4, 'U': '|UTX#f\xc9V\x18\x87z\x10\xcb\xf5{\xa7\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00', 'V': 4, 'StmF': /StdCF, 'StrF': /StdCF}

如上是加密的PDF，所以无法解析 ，但是如果直接打开PDF却是可以的并没有要求输密码什么的，原因是这个PDF虽然是加过密的，但密码是空，所以就出现了这样的问题。

解决这个的问题的办法是通过qpdf命令来解密文件（要确保已经安装了qpdf），要想在python中调用该命令只需使用call即可：

1 from subprocess import call2 call('qpdf --password=%s --decrypt %s %s' %('', file_path, new_file_path), shell=True)

其中参数filepath是要解密的PDF的路径，newfile_path是解密后的PDF文件路径，然后使用解密后的文件去做解析就OK了

4 基于win32com插件的代码实现

导入相关包

from win32com import client as wcfrom win32com.client import Dispatch, constants, gencacheimport os,fnmatch,time,sysfrom decimal import Decimalfrom BaseClass import *  # 自定义类库

word的doc或docx文件转化pdf文本

1 代码实现

'''功能名称：word的doc或docx文件转化pdf文本功能描述：输入一个doc或docx文件路径，自动转化为pdf文件，并存储在当前路径下。          用户可以指定存储文件路径。参数描述：          1 filepath：单个文件路径          2 newdir： 指定保存路径测试路径： F:\corper\kjt\1.docx'''def doc2pdf(filepath,newDir=''):    # 文件路径切分为上级路径和文件名    prapath,filename = os.path.split(filepath)    # 单文件处理使用    if newDir=='':        newDir = prapath    else:        newDir =newDir    new_txt_name=TraversalFun.TranType(filename,"word2pdf")    if new_txt_name ==None:        return    else:        print(new_txt_name)        newpath = os.path.join(newDir,new_txt_name)        word = wc.DispatchEx("Word.Application")        worddoc = word.Documents.Open(filepath,ReadOnly = 1)        worddoc.SaveAs(newpath, FileFormat = 17)        worddoc.Close()        Global.all_FileNum+=1

2 单个word转换pdf

主程序运行代码：

# 单个word转换pdffilepath=os.path.abspath(r"../../Corpus/DataSet/2012/科技项目数据挖掘决策架构.docx")doc2pdf(filepath)

控制台打印效果：

科技项目数据挖掘决策架构.pdf共处理文档数目：1 个耗时：3.6121 s

结果：

图4-1 word文档单文件转化结果

打开显示：

图4-2 转化后规范的pdf文件

3 批量word转换pdf

主程序运行代码：

rootDir =os.path.abspath(r"../../Corpus/DataSet")# 1 批量的word转换pdftra=TraversalFun(rootDir,doc2pdf) # 默认方法参数打印所有文件路径tra.TraversalDir('word2pdf')

控制台打印效果：

保存目录路径：F:\AllNote\AllProject\TechDataMining\Corpus\DataSet_word2pdf科技项目数据挖掘决策架构.pdf科技项目数据挖掘决策架构.pdf共处理文档数目：2 个耗时：7.1494 s

结果：

图4-3 word文档批量转化结果

word的doc或docx文件转化txt文本

1 代码实现

'''功能名称：单个word的doc或docx文件转化txt文本'''def WordTranslate(filepath,newDir=''):    # 文件路径切分为上级路径和文件名    prapath,filename = os.path.split(os.path.abspath(filepath))    if newDir=='':        newDir = prapath    else:        newDir =newDir    new_txt_name=TraversalFun.TranType(filename,'word2txt')    if new_txt_name == None:        return    else:        word_to_txt = os.path.join(newDir,new_txt_name)        print ("格式转换后保留路径：\n"+word_to_txt)        #加载处理应用        wordapp = wc.Dispatch('Word.Application')        doc = wordapp.Documents.Open(filepath)        #为了让python可以在后续操作中r方式读取txt和不产生乱码，参数为4        doc.SaveAs(word_to_txt,4)        doc.Close()        # print(word_to_txt)        Global.all_FileNum += 1

2 单个word转换txt

# 单个word转换txt  filepath=os.path.abspath(r"../../Corpus/DataSet/2012/科技项目数据挖掘决策架构.docx")WordTranslate(filepath)

3 批量的word转换txt

# 批量的word转换txttra=TraversalFun(rootDir,WordTranslate) # 默认方法参数打印所有文件路径tra.TraversalDir('word2txt')

4 批量的word转换txt结果

图4-4 批量的word转换txt结果

pdf文件转化txt文本

1 代码实现

'''功能名称：pdf文件转化txt文本功能描述：输入一个pdf文件路径，自动转化为txt文件，并存储在当前路径下。          用户可以指定存储文件路径。参数描述：          1 filepath：单个文件路径          2 newdir： 指定保存路径测试路径： F:\corper\kjt\申报书.pdf'''def PdfTranslate(filepath,newDir=''):    # 文件路径切分为上级路径和文件名    prapath,filename = os.path.split(filepath)    if newDir=="":        newDir = prapath    else:        newDir = newDir    new_txt_name=TraversalFun.TranType(filename,"pdf2txt")    if new_txt_name ==None:        return    else:        word_to_txt = os.path.join(newDir,new_txt_name)        # print(word_to_txt)        #加载处理应用        wordapp = wc.Dispatch('Word.Application')        doc = wordapp.Documents.Open(filepath)        #为了让python可以在后续操作中r方式读取txt和不产生乱码，参数为4        doc.SaveAs(word_to_txt,4)        doc.Close()        Global.all_FileNum += 1

2 单个pdf文件转化txt文本

# 单个pdf转换txtfilepath=os.path.abspath(r"../../Corpus/DataSet/2012/改进朴素贝叶斯文本分类方法研究.pdf")PdfTranslate(filepath)

3 批量pdf文件转化txt文本

# 3 批量的pdf转换txttra=TraversalFun(rootDir,PdfTranslate) # 默认方法参数打印所有文件路径tra.TraversalDir("pdf2txt")

4 批量pdf文件转化txt文本结果

图4-5 批量pdf文件转化txt文本结果

5 完整代码下载

机器学习和自然语言QQ群：436303759

【微信公众号：datathinks】

源码请进QQ群文件下载：

图5-1 完整项目文件

参考文献

1. http://www.unixuser.org/~euske/python/pdfminer/programming.html
2. https://www.cnblogs.com/jamespei/p/5339769.html
3. https://blog.csdn.net/u011389474/article/details/60139786
4. https://blog.csdn.net/u010983763/article/details/78654651
5. https://blog.csdn.net/zyc121561/article/details/77879831
6. https://blog.csdn.net/zyc121561/article/details/77877912?locationNum=7&fps=1

声明

本文原创，转载必须注明出处：