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)

  • 现代服务是可以做什么的
  • 一般纳税人附加税优惠政策2023
  • 小规模做账流程详细
  • 实物投资账务处理
  • 管理费用贷方余额借方是负数怎么结转
  • 水泥沙子开票属于什么类别
  • 免抵退税怎么做账
  • 普通增值税发票可以抵税吗?
  • 无偿捐赠设备该如何做账务处理呢?
  • 驾驶培训费可以报销吗
  • 厂家返利计提会计分录
  • 支付税点怎么做账
  • 出租土地使用权计入什么科目
  • 房产印花税缴纳
  • 个人独资企业股权能出让吗
  • 税收优惠政策2020年
  • 我的初级备考经验怎么写
  • 计提生产设备折旧费计入什么科目
  • 虚拟机怎么安装iso镜像文件
  • 企业所得税汇算清缴操作流程
  • win10专业版下载教程
  • ecshop有哪些bug
  • 本月收到的发票可以下月勾选抵扣吗
  • 怎么算土地增值税
  • 税控系统的维护包括哪些内容
  • 上月开了红字发票当月如何申报
  • _ html
  • php统计系统
  • python 动态
  • 企业所得税报表模板
  • 汽车4s店厂家返修流程
  • 退税流程怎么操作个人所得税2022
  • 向个体工商户付款可以转给个体法人吗
  • 一张报关单是可以报关吗
  • 长期股权投资实现的净利润权益法
  • 工资结算汇总表怎么填
  • 以美元报关是否要交税
  • mysql重置
  • 招待客户的住宿费发票可以报销吗
  • 销售货款是什么
  • 加盖发票专用章有效什么意思
  • 超过诉讼时效的法律后果
  • 客户手续费率
  • 未开票收入如何记账
  • 股本金退出要交税吗?
  • 小规模纳税人从三万到十万
  • 产品成本核算要求有哪几项
  • 软件开发是否属于采购目录
  • sql判断字段是否包含数字和字母
  • sql中的视图提高了数据库的
  • ubuntu如何配置
  • mac安装路径选择
  • bootcamp您的磁盘未能分区
  • centos uuid
  • ubuntu20.04怎么用
  • win7任务栏跑到右边了
  • win10 屏幕键盘
  • windows7开机启动
  • retail版win10
  • 二分法查找 js
  • python函数enumerate
  • Linux base shell重定向详解
  • javascript教程完整版
  • Node.js中的事件循环是什么
  • 编写批处理
  • shell脚本相互调用
  • js强制把网址设为密码
  • echarts图表
  • bootstrap日期控件背景为白
  • 使用二氧化碳灭火器时人应该站在什么位置
  • 借助FileReader实现将文件编码为Base64后通过AJAX上传
  • jQuery基于$.ajax设置移动端click超时处理方法
  • 电话费的税费计入什么科目
  • 减免性质代码是什么意思
  • 小规模纳税人企业所得税2023税率
  • 如何在广东省电子税务局开发票
  • 买房契税发票图片别人看到了有危险吗
  • 提高税务管理水平,降低税务风险
  • 税务总局纪律作风
  • 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