摘要：能獲取頁面中文本的準確位置，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，如果的中文字編碼為編碼，則無法解析。在簡體中文操作系統中，編碼代表編碼。其一在文件中第行，改為此處是為了適應含有的編碼的中文字符，提供對其的解碼能力。

現在我們有大量的pdf文件，我們想要截取每個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告，我們想要找到包含“關鍵審計事項”部分內容，將pdf相關頁保存為新的pdf文件。
python環境：

anaconda3
pdfminer3k
pypdf2

PDFMiner是一個從PDF文檔中提取信息的工具。與其他PDF相關的工具不同，它只用于獲取和分析文本數據。PDFMiner能獲取頁面中文本的準確位置，以及字體或行等其他信息。它還有一個PDF轉換器，可以將PDF文件轉換成其他文本格式(如HTML)。還有一個可擴展的解析器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，匹配關鍵字，返回其所在頁碼

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年年度報告.pdf"

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

PyPDF2是一個python PDF庫，能夠分割、合并、裁剪和轉換PDF文件的頁面。它還可以向PDF文件中添加自定義數據、查看選項和密碼。它可以從PDF檢索文本和元數據，還可以將整個文件合并在一起。

安裝pypdf2：

pip install pypdf2

修改pypdf2的源碼

利用pypdf2截取pdf中的某幾頁，如果pdf的中文字編碼為ANSI編碼，則無法解析。對于pypdf2對于gbk不支持的現象，需要對以下兩處進行修改。參考

tips:
ANSI是一種字符代碼，為使計算機支持更多語言。ANSI編碼表示英文字符時用一個字節，表示中文用兩個或四個字節。在簡體中文Windows操作系統中，ANSI 編碼代表 GBK 編碼。
GBK是在國家標準GB2312基礎上擴容后兼容GB2312的標準。

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

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‘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

from PyPDF2 import PdfFileWriter, PdfFileReader
def  pdfCrap(path,start_page,save_path):
    """
    從pdf文件中截取幾頁，并保存在對應pdf文件中
    """
    # 開始頁
    start_page = start_page - 1
    # 截止頁
    end_page = start_page +  5  # 這里設定截取5頁
    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
    outputStream =  open(save_path, "wb")
    output.write(outputStream)

以上已經可以實現對單一pdf文件的解析以及提取特定頁了，剩下的就是將整個流程串聯起來，實現批量pdf文件的截取。

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

現在，我們已經能夠進行批量pdf文件的裁剪了，但在實際操作中，會發生許多意外，使得程序被中斷，為了避免中斷影響批處理的進程，現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，關鍵字起始頁碼，并且對異常情況進行記錄；
    """
    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: #如果識別出起始頁碼為0，說明關鍵字未被找到，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: # 捕獲錯誤
            print("error: ", e)
            with  open(r"./error_log.txt", "a", encoding="utf-8") as f:
            f.write(file+" start_page: "+str(page)+"
")
            continue