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)

  • 银行电子承兑到期多久时间之内可以兑现
  • 可转债如何不转换的财务处理
  • 支付一年房租的会计科目
  • 进项认证勾选在哪里操作
  • 增值税进项抵扣怎么做账
  • 员工备用金期末未报销怎么处理
  • 收取车辆使用费怎么做账
  • 物流商品采购价差如何做账
  • 外商投资企业是中国企业吗
  • 网上代购收取手机费吗
  • 跨区经营如何预缴税款
  • 装修期内免租金可以办理营业执照吗
  • 应付账款借方余额在资产负债表中怎么列示
  • 长期待摊费用计提摊销的会计分录
  • 淘宝企业店铺的钱会打到哪里
  • 应交增值税和未交增值税是一个科目吗
  • 会务费发票税点是多少
  • 一般纳税人提供服务税率
  • 建筑业预缴附加税分录
  • 不动产进项税额怎么算
  • 企业所得税年报和增值税收入不一致
  • 利息支出为什么不是经营成本
  • 本月做账下月认证的进项怎么做账?
  • 总资产净利率与权益乘数的关系
  • 周转房维修请示
  • 宝塔linux面板 7.5.2 腾讯云专享版
  • linux sed -s
  • 员工离职当月社保怎么扣除
  • PHP:iconv_mime_decode()的用法_iconv函数
  • 一般纳税人转让不动产预缴
  • 计提坏账准备的方法有哪些
  • 企业将自有房产怎么处理
  • laravel框架关键技术解析
  • CLIP模型原理
  • 投资者追加资本金属于什么
  • 企业所得税季度预缴是什么意思
  • 保姆级官方yolov7的训练自己的数据集以及项目部署
  • javascript手机版
  • free命令看到的内存
  • 公司给员工交社保是怎么交的
  • 补交地税多少钱
  • 用税盘开发票税费扣除是怎么回事?
  • 机械租赁公司月薪多少
  • python中input转换
  • 写字楼租金
  • 残保金操作流程
  • 接受母公司捐赠现金分录
  • 补交所得税会计处理方法包括
  • 公司购买手表入什么科目
  • 将原材料出售会计分录
  • 代收的车船税没有发票怎么入账
  • 中小企业投标费怎么算
  • 公司地址的变更需要哪些资料和手续
  • 蓝字发票作废流程视频
  • 短期借款利息的使用账户是
  • 有发票还要填写领款单吗
  • 补贴计税吗
  • 100%直接控制的母子公司之间,母公司向子公司
  • 汇算清缴工资调减怎么做账
  • 如何操作开具红字发票
  • 为什么到期一次还本付息要用债权投资利息调整
  • sql存储过程的作用
  • 如何解决win10系统安装不兼容驱动的问题
  • macbookpro蓝牙找不到
  • linux系统之间的区别
  • upromise0.exe - upromise0进程是什么文件
  • win10一直显示正在配置更新
  • xmpdisabled什么意思
  • win7远程设置在哪
  • linux unhide
  • 怎么制作xp系统
  • 在linux中使用什么命令可以执行shell脚本
  • vr moke
  • js响应式布局
  • cocos2dx怎么安装
  • 浅谈python中的实例方法、类方法和静态方法
  • CLASS_CONFUSION JS混淆 全源码
  • flask框架下使用scrapy框架
  • 经营租赁属于什么费用
  • 江苏省无锡市国4车辆报废新规定
  • 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