如何利用Python抓取PDF中的某些内容

Question

如题所述

Answer 1

可以转换成TXT再抓取

from cStringIO import StringIO
from pdfminer.pdfinterp 
import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParamsfrom pdfminer.pdfpage 
import PDFPage
def convert_pdf_2_text(path):

    rsrcmgr = PDFResourceManager()
    retstr = StringIO()

    device = TextConverter(rsrcmgr, retstr, codec='utf-8', laparams=LAParams())
    interpreter = PDFPageInterpreter(rsrcmgr, device)

    with open(path, 'rb') as fp:
        for page in PDFPage.get_pages(fp, set()):
            interpreter.process_page(page)
        text = retstr.getvalue()

    device.close()
    retstr.close()

    return text

Answer 2

你的问题事实上包含几部分：

将 PDF 转化为纯文本格式
抽取其中部分内容
格式化写入到 excel 中

转换 PDF 有很多库可以完成，如下是通过 pdfminer 的示例：
from cStringIO import StringIO

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage

def convert_pdf_2_text(path):

rsrcmgr = PDFResourceManager()
retstr = StringIO()

device = TextConverter(rsrcmgr, retstr, codec='utf-8', laparams=LAParams())
interpreter = PDFPageInterpreter(rsrcmgr, device)

with open(path, 'rb') as fp:
for page in PDFPage.get_pages(fp, set()):
interpreter.process_page(page)
text = retstr.getvalue()

device.close()
retstr.close()

return text

需要指出的是，pdfminer 不但可以将 PDF 转换为 text 文本，还可以转换为 HTML 等带有标签的文本。上面只是最简单的示例，如果每页有很独特的标志，你还可以按页单独处理。本回答被网友采纳

Answer 3

学生每天要学习，工作者每天要工作，家庭主妇每天也都要做家务。不论做什么，都有着相应的操作流程，同样就会有操作技巧。学生运用技巧学习才不会累，学得还会更快更多；工作者掌握技巧进行工作，才能有好的工作效率；家庭主妇把握做家务的技巧，才能够更快的完成家务活。因此说明了，做任何事学会了技巧，才可更轻松更好的完成。

小编原来做事就因为不懂得学习技巧，掌握技巧，导致浪费了时间，结果做出来还差强人意。因此后来小编每当要面临新的任务，新的挑战都会认真审查，想出解决技巧，再去进行实际操作。小编这不刚刚接到任务，让小编给PDF提取页面，这次小编要运用技巧，顺利的解决这个问题。