使用Python的PDFDocument()函数提取PDF文档中的文本内容

PDFDocument()是PDFMiner库中的一个函数，用于解析PDF文档并提取其中的文本内容。下面是一个使用Python的PDFDocument()函数提取PDF文档中文本内容的示例：

from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO

def extract_text_from_pdf(pdf_path):
    # 创建一个PDF解析器对象
    parser = PDFParser(open(pdf_path, 'rb'))
    # 创建一个PDF文档对象
    document = PDFDocument(parser)
    # 判断PDF文档是否可用
    if not document.is_extractable:
        raise Exception("PDF文档无法被提取文本内容。")
    
    # 创建一个PDF资源管理器对象
    resource_manager = PDFResourceManager()
    # 创建一个字符串对象来存储提取的文本内容
    result = StringIO()
    # 创建一个文字转换器对象
    converter = TextConverter(resource_manager, result, laparams=LAParams())
    # 创建一个PDF解释器对象
    interpreter = PDFPageInterpreter(resource_manager, converter)
    
    # 遍历PDF文档中的每一页
    for page in document.get_pages():
        # 使用解释器对象将页对象转换为文本内容
        interpreter.process_page(page)
    
    # 获取提取的文本内容并关闭转换器和资源管理器
    text = result.getvalue()
    converter.close()
    result.close()
    
    return text

# 使用示例
pdf_path = "path_to_pdf_document.pdf"
extracted_text = extract_text_from_pdf(pdf_path)
print(extracted_text)

上述代码中，我们首先导入了所需的PDFMiner库中的一些类和函数。接下来，定义了一个名为extract_text_from_pdf()的函数来提取PDF文档中的文本内容。

在extract_text_from_pdf()函数中，我们首先创建了一个PDF解析器对象，然后使用它来创建一个PDF文档对象。然后，我们检查文档是否可提取文本内容，如果不可提取则会引发异常。

接着，我们创建了一个PDF资源管理器对象，用于保存提取的文本内容。然后，我们创建了一个字符串对象result，用于存储文本内容。然后，我们创建了一个文字转换器对象，并使用解释器对象将每一页的内容转换为文本，并将其添加到result中。

最后，我们使用result.getvalue()获取提取的文本内容，并关闭转换器和资源管理器。最终，extract_text_from_pdf()函数返回提取的文本内容。

在使用示例中，我们将PDF文档的路径指定给pdf_path变量，并调用extract_text_from_pdf()函数来提取文本内容。最后，我们将提取的文本内容打印出来。

请确保在运行代码之前安装了所需的PDFMiner库。你可以通过运行pip install pdfminer.six命令来安装它。