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)

  • 印花税的应税凭证名称怎么填写
  • 过了汇算清缴期后发现错误
  • 网约车有电子发票吗
  • 工会经费计入现金流量表哪项
  • 暂估工资成本
  • 净收益营运指数大于1说明什么
  • 预缴税款是否可以强制执行
  • 材料委托加工
  • 商业折扣应交税费
  • 计提增值税怎么计提
  • 待认证转进项税额转出会计分录
  • 去年暂估的库存商品今年到了发票怎么做会计分录
  • 企业法人投资股4 账户
  • 结转已完工产品会计分录
  • 代付其他公司货款会计分录
  • 税务现金流
  • 小规模纳税人可以自己开专票吗
  • 技术服务发票怎么开 安全培训
  • 维修费用的税率
  • 坏账损失怎么核算
  • 以前年度少计收入怎么办
  • 个税计算方法举例讲解
  • 主营业务收入如何确认
  • 企业买的商业保险退款怎么做账
  • 没有购销合同怎么申报印花税
  • 存货对外销售会计分录
  • 固定资产减值准备影响折旧吗
  • PHP:Memcached::decrementByKey()的用法_Memcached类
  • php imagestring
  • win11dev预览版可以升级正式版吗
  • windows7中可以设置控制计算机
  • 房地产佣金手续费财务处理
  • 什么叫集团内企业
  • h5跳转h5
  • 阿里云 ide
  • 商业汇票贴现时贴现额的大小受贴现期长短的影响
  • php 访问数据库
  • php获取客户端唯一标识
  • 经营租入固定资产
  • php array_slice 取出数组中的一段序列实例
  • dem如何生成
  • 金税盘减免怎么做分录
  • 产权转移书据是什么印花税
  • 企业所得税报表怎么更正
  • 利润表中利息费用为负数是什么意思
  • 带附件的目录
  • 净利润弥补以前年度亏损
  • 固定资产处置时的清理费用计入哪里
  • 主要业务是生产销售家电
  • 借款与报销流程设计
  • 免征增值税的会计处理一般纳税人
  • 异地预缴税金
  • 劳务派遣人员的档案会保存在用人单位吗
  • 企业被列入经营异常名录可以注销吗
  • 快递公司结算员能学到财务知识吗
  • 企业微信收款如何交税
  • 产品成本的具体内容
  • 半年净资产收益率
  • 帮其他公司交水费税差
  • wmiex.exe是什么程序
  • 取消windows开机登录密码
  • mac死机按什么都没用
  • spoolsrv.exe - spoolsrv是什么进程 有什么作用
  • geom是什么文件
  • centos如何操作
  • 程序中map是什么意思
  • w8系统ie浏览器在哪
  • linux操作系统主要用来干嘛?
  • win10系统桌面图标大小怎么设置
  • 一个简单的小实验
  • unity错误cs1002
  • 批处理应用实例
  • 'tools.jar' seems to be not in Android Studio classpath. Please ensure JAVA_HOME points to JDK rathe
  • javascript高级程序设计第五版 pdf下载
  • python django框架
  • javascript数据转换
  • 会计做账需要什么凭证
  • 建筑工地临时板房验收规范最新
  • 我的电脑软件下载
  • 国税局对出口退税的要求
  • 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