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)

  • 什么是销项税额抵减
  • 一般计税方法是全额计税吗
  • 小规模纳税人开普票免税
  • 企业注销盈利一定要交个税吗
  • 网上申报中月平均工资怎么计算
  • 已认证的发票如何冲红步骤
  • 视同销售销售额的确定方法
  • 跨年发票是否可以报销 审计
  • 支付稿费演出费用怎么算
  • 研发无形资产摊销加计扣除计算
  • 企业纳税总额包含哪些
  • 小规模企业的企业所得税怎么交
  • 车船使用税是否必须交
  • 招聘时开具的专用发票可以抵扣吗?
  • 差旅费中的车票可以抵扣进项税吗
  • 工资薪金所得税前扣除项目标准
  • 发票已认证但是没申报跨年度了怎么办
  • 存货跌价准备的金额
  • 企业买金税盘做什么科目
  • 退回现金怎么写分录
  • 未开票收入缴纳所得税吗
  • 苹果电脑双系统好不好
  • 公司已经改名原来的公章还有效吗
  • dm分区工具图解教程
  • 木星应该涂什么颜色
  • 点云目标检测数据集
  • 固定资产更新改造的账务处理
  • 投资收益结转到哪个科目
  • vue错误处理
  • 可用保证金余额为负
  • uniapp前端面试题
  • web防盗链
  • webpack打包步骤
  • aws documentation
  • 深度学习之concatenate和elementwise操作(二)
  • 所有者权益是什么类科目
  • 应交税费月末怎么结转分录
  • python搞自动化
  • CentOS6.9下mysql 5.7.17安装配置方法图文教程
  • python中变量类型有几种
  • 资产负债表应交税费为负数
  • 会计凭证的保管期限什么时候调整的
  • 生产加工费税率
  • 计提房产税土地使用税
  • 融资租赁的会计处理方法举例子
  • 税控技术维护费普通发票可以抵扣吗
  • 对公收费明细入账是手续费吗
  • 购入软件的账务处理
  • 委托加工存货收回后直接用于销售的账务处理
  • 费用支出多了怎么办
  • 住宿费记入成本会计分录
  • 主营业务成本可以设明细科目吗
  • 质量问题扣款怎么开票
  • 收到投资款如何做税务登记
  • 建厂房之前需要什么条件
  • 企业应收账款的事前管理包括
  • 资产减值损失是费用吗
  • c 语言 mysql
  • securedownload是什么意思
  • git服务器默认端口
  • 电脑太慢了怎么解决
  • linux find命令忽略大小写
  • win7电脑开机显示屏显示黑屏怎么办
  • mac迁移助理是什么意思啊
  • 如何检测电脑能否上网
  • win10正式版多少钱
  • unity 漫反射
  • threejs中文文档pdf
  • bat脚本怎么运行
  • 自动检测设置 使用设置脚本
  • node断点调试
  • shell中括号的作用
  • 基于jquery的框架有哪些
  • jQuery+ajax读取并解析XML文件的方法
  • javascript编程软件
  • jquery 插件写法
  • 河源市人民医院上班时间
  • 个人年收入超过多少不能退税
  • 江苏地税网站查询系统
  • 关于税制的问题
  • 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