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)

  • 收到上年度所得税返还会计分录
  • 个人所得税申报退税的条件
  • 税金及附加怎么登账
  • 对公账户转个人账户
  • 工会经费计税基数包含支付职工的辞退福利
  • 制造企业需要设哪些部门
  • 增值税发票抵扣多少个点
  • 出口退税的报关单当月可以申请退税吗?
  • 增值税普票遗失了怎么办
  • 小规模纳税人可以抵扣进项税吗
  • 关于水利工程
  • 开票软件维护费计入什么科目
  • 购设备发票只开来一部分怎么入账?
  • 应纳税所得额怎么理解
  • 收到个人转款会计分录
  • 小规模纳税人如何转一般纳税人
  • 家具属于固定资产什么类别
  • 个人出租住房需要交城镇土地使用税吗
  • windows10如何调出虚拟键盘
  • 软件开发过程rup
  • 在建工程的施工方案可以外传吗
  • 小米路由器开启ssh后怎么安装插件
  • linux系列
  • qqexternal.exe是什么进程如何删除(CPU的使用率在90%)
  • php字符串赋值
  • 与资产相关的政府补助,如果相关资产在使用寿命结束时
  • qqlogin.exe是什么进程 qqlogin.exe应用程序错误解决办法
  • 小规模核定征收突然转查账
  • 固定资产清理如何计算增值税
  • 财政专户资金是什么意思
  • php开发模板
  • 值得深思的短句
  • 精读论文分析
  • netconf over ssh
  • 固定资产折旧如何进行会计处理
  • sql 临时表格
  • 耕地税税率是多少
  • 工业企业增值税税负多少合理
  • sql中多条件查询
  • 无进项可以开票么
  • 企业不计提固定资产损失
  • 汇算清缴银行手续费放哪里
  • 人工费用计入
  • 出售其他债权投资产生的收益为什么计入留存收益
  • 运输公司汽车折旧能直接进主营成本吗
  • 出口退税的会计科目
  • 普通进项发票怎么做分录
  • 无形资产出售时累计摊销为什么在借方
  • 服装厂做的都是什么产品
  • 印花税新政策
  • 固定资产清理账务处理流程
  • 税收优惠应计入那个科目
  • 小规模公司怎样添加员工
  • 工程施工费怎么开票
  • 连接mysql服务命令
  • 在sql中使用where子句指出的是
  • 自动软件脚本
  • 解决win10蓝屏
  • xp系统注册表在哪
  • windows8.1rt
  • 虚拟机安装centos7.9
  • win10超级按钮
  • win7系统中如何查看隐藏文件
  • opengl模块加载失败
  • bat ping批处理
  • python web开发环境搭建
  • Git 创建分支提交远程分支详解
  • shell发送邮件
  • jquery 报表
  • Eclipse运行快捷键
  • python repr
  • python脚本代码大全
  • java 视频教程
  • php爬取网页数据
  • javascript substring的用法
  • jquery中加载文档的方法
  • 河北发票查询真伪查询
  • 辽宁省疫情期间工资发放标准
  • 武汉市国税局长
  • 河南省焦煤集团董事长
  • 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