Python读取PDF内容

  • 2020 年 1 月 10 日
  • 筆記

1，引言 晚上翻看《Python网络数据采集》这本书，看到读取PDF内容的代码，想起来前几天集搜客刚刚发布了一个抓取网页pdf内容的抓取规则，这个规则能够把pdf内容当成html来做网页抓取。神奇之处要归功于Firefox解析PDF的能力，能够把pdf格式转换成html标签，比如，div之类的标签，从而用GooSeeker网页抓取软件像抓普通网页一样抓取结构化内容。 从而产生了一个问题：用Python爬虫的话，能做到什么程度。下面将讲述一个实验过程和源代码。 2，把pdf转换成文本的Python源代码 下面的python源代码，读取pdf文件内容(互联网上的或是本地的)，转换成文本，打印出来。这段代码主要用了一个第三方库PDFMiner3K把PDF读成字符串，然后用StringIO转换成文件对象。（源代码下载地址参看文章末尾的GitHub源）

from urllib.request import urlopen  from pdfminer.pdfinterp import PDFResourceManager, process_pdf  from pdfminer.converter import TextConverter  from pdfminer.layout import LAParams  from io import StringIO  from io import open    def readPDF(pdfFile):      rsrcmgr = PDFResourceManager()      retstr = StringIO()      laparams = LAParams()      device = TextConverter(rsrcmgr, retstr, laparams=laparams)        process_pdf(rsrcmgr, device, pdfFile)      device.close()        content = retstr.getvalue()      retstr.close()      return content    pdfFile = urlopen("http://pythonscraping.com/pages/warandpeace/chapter1.pdf")  outputString = readPDF(pdfFile)  print(outputString)  pdfFile.close()

如果PDF文件在你的电脑里，那就把urlopen返回的对象pdfFile替换成普通的open()文件对象。

3，展望 这个实验只是把pdf转换成了文本，但是没有像开头所说的转换成html标签，那么在Python编程环境下是否有这个能力，留待今后探索。 4，集搜客GooSeeker开源代码下载源 1. GooSeeker开源Python网络爬虫GitHub源 5，文档修改历史 2016-05-26：V2.0，增补文字说明 2016-05-29：V2.1，增加第六章：源代码下载源，并更换github源的网址

VirMach 便宜 VPS

QNews

QNews