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)

  • 税收的作用是什么
  • 负债与所有者权益比率
  • 未确认融资费用和长期应付款
  • 进口环节增值税由海关征收吗
  • 季度申报利润表本月数怎么填
  • 小规模纳税人要交印花税吗
  • 小规模纳税人购置税控设备
  • 评估所得征税方法是一种控制纳税人逃税和避税的措施
  • 确认主营业务成本的依据是什么单据
  • 营改增相关规定
  • 网上勾选认证发票步骤
  • 专票地址错了可以报销吗
  • 企业房产使用税
  • 一般纳税人如何零申报
  • 预收账款期末余额在贷方
  • 合并往来分录
  • 转让知识产权的本人申明
  • mac软件打开提示意外退出
  • 企业间借款增值税怎么算
  • 硬盘分区的原则主要有哪些
  • win10系统没有声卡驱动
  • php+js
  • 如何安装纯净win10
  • deskrun.exe是什么东西
  • 所得税特殊性税率是多少
  • php 读取文本文件
  • laravel 入门
  • framework启动
  • 库存现金总分类账怎么登记
  • 低代码开发开源
  • opencv怎么训练
  • 大二一学期学分多少合适
  • python单子
  • php消除警告
  • python3.9怎么清屏
  • 投标代理费应如何支付
  • phpcms v9 getshell
  • 代管资金如何做凭证
  • vue this.$el
  • 大学生创新创业平台
  • 负债类科目有借贷方向吗
  • 安置房是交付的时候交钱吗
  • 金融商品转让一半增值税
  • 固定资产计入管理费用就不用折旧了吗
  • 一般纳税人也会被税吗
  • 资产负债表编制
  • 研发支出的费用化支出计入
  • 跨月发票税率开错了如何处理合适?
  • 有限合伙企业的税收筹划
  • 增值税是主税吗
  • 未开票确认收入账务处理
  • 劳务费无发票怎么处理
  • 为什么银行结息不加入账户
  • 食品企业产品
  • 暂估材料发票长期不到
  • 会计制度和会计准则科目转换
  • 专用发票金额大实际报销金额小会计分录怎么做
  • mysql存文章的字段设置为多大?
  • 微软开放式许可协议
  • Win2003 上配置 VPN + NAT共享上网的步骤分享
  • 硬盘安装64位win8.1/win8或win7操作系统图文教程
  • w10 office激活
  • windows10点击任务栏没有反应
  • windows 8.1更新
  • 电脑win7一开机就弹出各种广告窗口怎么办
  • sgmain.exe - sgmain是什么进程 有何作用
  • win7系统自动弹出搜索框
  • linux的命令行界面
  • linux shell脚本编写1加100
  • apktool修改包名
  • python ints
  • python难度
  • javascript val
  • videoleap怎么加音频
  • JavaScript中setFullYear()方法的使用详解
  • python中对文件操作的一般步骤
  • python数据类型有什么用
  • Android系统服务
  • 深圳国税电子税务局
  • 长安cs752016款2.0手动
  • 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