位置: 编程技术 - 正文

Python使用PDFMiner解析PDF代码实例(python pdf操作)

编辑:rootadmin

推荐整理分享Python使用PDFMiner解析PDF代码实例(python pdf操作),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:python pdf操作,python for everybody pdf,python pdf2,PYTHON使用缩进来体现代码之间的逻辑关系,python pdfplumber,PYTHON使用缩进来体现代码之间的逻辑关系,python pdfkit,PYTHON使用缩进来体现代码之间的逻辑关系,内容如对您有帮助,希望把文章链接给更多的朋友!

近期在做爬虫时有时会遇到网站只提供pdf的情况,这样就不能使用scrapy直接抓取页面内容了,只能通过解析PDF的方式处理,目前的解决方案大致只有pyPDF和PDFMiner。因为据说PDFMiner更适合文本的解析,而我需要解析的正是文本,因此最后选择使用PDFMiner(这也就意味着我对pyPDF一无所知了)。

首先说明的是解析PDF是非常蛋疼的事,即使是PDFMiner对于格式不工整的PDF解析效果也不怎么样,所以连PDFMiner的开发者都吐槽PDF is evil. 不过这些并不重要。官方文档在此: setup.py install

2.安装完成后使用该命令行测试:pdf2txt.py samples/simple1.pdf,如果显示以下内容则表示安装成功:

Hello World Hello World H e l l o W o r l d H e l l o W o r l d

3.如果要使用中日韩文字则需要先编译再安装: 

二.使用

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。

Figure 1. Relationships between PDFMiner classes

比较重要的是Layout,主要包括以下这些组件:

LTPage

Represents an entire page. May contain child objects like LTTextBox, LTFigure, LTImage, LTRect, LTCurve and LTLine.

LTTextBox

Represents a group of text chunks that can be contained in a rectangular area. Note that this box is created by geometric analysis and does not necessarily represents a logical boundary of the text. It contains a list of LTTextLine objects. get_text() method returns the text content.

LTTextLine

Contains a list of LTChar objects that represent a single text line. The characters are aligned either horizontaly or vertically, depending on the text's writing mode. get_text() method returns the text content.

Python使用PDFMiner解析PDF代码实例(python pdf操作)

LTChar

LTAnno

Represent an actual letter in the text as a Unicode string. Note that, while a LTChar object has actual boundaries, LTAnno objects does not, as these are "virtual" characters, inserted by a layout analyzer according to the relationship between two characters (e.g. a space).

LTFigure

Represents an area used by PDF Form objects. PDF Forms can be used to present figures or pictures by embedding yet another PDF document within a page. Note that LTFigure objects can appear recursively.

LTImage

Represents an image object. Embedded images can be in JPEG or other formats, but currently PDFMiner does not pay much attention to graphical objects.

LTLine

Represents a single straight line. Could be used for separating text or figures.

LTRect

Represents a rectangle. Could be used for framing another pictures or figures.

LTCurve

Represents a generic Bezier curve.

官方文档给了几个Demo但是都过于简略,虽然给了一个详细一些的Demo,但链接地址是旧的现在已经失效,不过最终还是找到了新的地址: = lt_obj.bbox[0]就是lt_obj元素的左边缘的坐标,同理x1则为右边缘。以上代码的意思就是把所有x0且x1的坐标相差在%以内的元素分成一组,这样就实现了从PDF文件中定向抽取内容。

----------------补充--------------------

有一个需要注意的地方,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': , 'CFM': /AESV2, 'AuthEvent': /DocOpen}}, 'O': 'xe4xexb/xa8)xa6xxe6xa3/Uxdfx0fWRx9cPhxacxaexBx_xb0x@x9fx8d', 'Filter': /Standard, 'P': -, 'Length': , 'R': 4, 'U': '|UTX#fxc9Vxxzxxcbxf5{xa7xxxxxxxxxxxxxxxx', 'V': 4, 'StmF': /StdCF, 'StrF': /StdCF}

从字面意思来看是因为这个PDF是一个加密的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:

其中参数file_path是要解密的PDF的路径,new_file_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

标签: python pdf操作

本文链接地址:https://www.jiuchutong.com/biancheng/377146.html 转载请保留说明!

上一篇:详解python并发获取snmp信息及性能测试(python3并发)

下一篇:Python中的命令行参数解析工具之docopt详解(python怎么用命令行)

  • 税务知识:同期资料应包括哪些内容?
  • 继续教育报名发什么文件
  • 政府补助是否可以加计抵扣
  • 餐饮服务税率是几个点
  • 员工餐费用应该怎么记账
  • 反写了可以重新申报吗
  • 手撕票几个点
  • 电器电子产品及配件入账
  • 金税系统维护费可以全额抵扣吗
  • 出口旧设备最新政策
  • 消费税征收项目
  • 不动产进项税额分两年抵扣
  • 退货的增值税专用发票
  • 金税盘维护费减免政策代码
  • 银行收回客户误扣的费用怎么处理?
  • 小规模纳税人增值税优惠政策2023
  • 搬迁到新租赁厂房的费用入什么科目?
  • 考务费属于什么税目
  • 外汇收不到会不会丢
  • 销项负数发票怎么填报增值税报表
  • 个体工商户个税减免优惠政策
  • 新建厂房装修费账务处理
  • 非专利技术属于无形资产吗?
  • 老板带员工出去吃饭
  • 对员工的罚款怎么做账
  • 土地契税及印花税缴纳规定
  • 外汇局网上申报
  • win7 扫描仪
  • 总承包简易计税
  • 桌面图标被篡改怎么办
  • 虚拟机系统vmware
  • 工厂采购部门
  • 企业采用备抵法核算坏账
  • php写的代码怎么运行
  • 购买轿车增值税可抵扣吗?
  • 收到提供劳务的收入
  • 未担保余值是谁承担
  • 马卡雷纳大教堂
  • 企业没有实缴
  • 车辆购置税发票图片
  • vue3.0路由配置
  • 土地出让金返还比例是多少
  • 住宿费电子发票没有章
  • html代码form
  • 企业会计准则季度怎么填
  • python设置配置文件
  • 企业接受投资会导致所有者权益增加吗
  • 损益类所得税费用
  • 农产品购进时的会计分录
  • 以前年度损益调整
  • 公司租赁职工车辆账务处理
  • 注销时其他应付款借方余额怎么账务处理
  • 充值优惠怎么写
  • 应付票据转应付账款分录
  • 给客户减免的货款怎么做账
  • 汽车行业的财务会计
  • 报税中反写是什么意思
  • 应付职工薪酬包括福利费吗
  • 差旅津贴和差旅补贴需要申报个税吗?
  • 费用利润率的意思
  • mysql为什么很受大家青睐
  • 注册表已被管理员禁用怎么处理
  • win10系统怎么调
  • bios各项参数的意义
  • Linux系统中配置网络包含( )方法
  • windows无法启动,可能原因
  • win7使用率
  • win 10设置提醒
  • OpenCV-2.4.3+VS2010+Win7(32位)安装与配置
  • BootStrap TreeView使用实例详解
  • c#怎么使用opencv
  • Node.js中的事件循环是什么
  • android颜色值
  • python怎么处理json数据
  • 反编译android动态库
  • 广东税务查询系统
  • 临沂学生医疗保险多少钱
  • 新疆碧桂园三期最新消息
  • 独立的法人企业
  • 出口货物开票税率是多少
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设