Python实现读取PDF文件案例

最近有一个本地客户需求是读取PDF文件，然后做自动化处理。这其实是一种典型的RPA自动化需求，简单而言就是模拟人工来操作文件，网页，客户端系统等，只要操作规则定义清楚，就可以实施这种RPA应用，而如果这种操作较为频繁（大量重复），则这种RPA自动化应用实施的ROI（投资回报率）会非常显著。

事实上利用RPA软件可以较为容易地实现这类操作，例如AutomationAnywhere，参考此前我写的一篇文章《RPA软件之AutomationAnywhere研究》，在AA里就有这类操作PDF文件的标准控件和应用场景：

（二十八）PDFIntegration（PDF文件操作）

PDF To Image

Extract From Fields

Extract Text

Merge Documents

Split Document

Encrypt Document

Decrypt Document

而现在这个本地客户需求相对简单，并且在未来有进一步和其他应用集成的可能性，也就是开发一个端到端的自动化应用，因此用AA来实现这个功能就有点大材小用了，而用Python写一个自开发的RPA应用就可以支持这个功能，而在Python来操作PDF文件有多种类库，分别研究了一下，发现对于英文PDF文件支持最好的是pyPDF2类库，而对于多语言PDF文件支持最好的则是本文这个案例种用到的pdfminer类库，这两个类库的使用方法其实都很简单。

不说废话，直接上代码：

准备了一个简单的PDF文件做测试：

执行程序，结果如下：

当然了，不管是pyPDF2类库（只支持英文PDF文件），还是pdfminer类库（支持多语言PDF文件），都有一个最大的局限性，那就是只能用来读取电脑生成的PDF文件的内容，而不能用来处理扫描件PDF，对于手写字也不能支持，要读取这类PDF扫描件就要用到另外一种技术，那就是——OCR。在后面我会专门写一篇文章来介绍一个如何利用tensorflow来实现OCR读取PDF扫描件的案例。

RPA应用实施有两个阶段，第一个阶段是传统RPA（Tranditional RPA），而第二阶段是认知RPA（Cognitive RPA），认知RPA比传统RPA更高级的一点就是引入了AI认知服务，使原来无法操作的非结构化数据可以被操作，例如OCR，人脸识别，声音识别等等。传统RPA则是基于对结构化数据的操作，包括excel文件，网页数据等。当然了，对于电脑生成的PDF文件的读取和自动化操作，还可以算作是传统RPA实施的领域，而对于PDF扫描件的读取和自动化操作，则毫无疑问地可以归于认知RPA的范围了。