Python读取PDF内容

　　Python读取PDF内容

　　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。（源代码下载地址请见文章末尾的GitHub源）

　　from urllib.requestimport urlopenfrom pdfminer.pdfinterp import PDFResourceManager,process_pdffrom pdfminer.converter import TextConverterfrom pdfminer.layoutimport LAParamsfrom io import StringIOfrom io import opendef 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 contentpdfFile = urlopen("")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。

　　End.

　　作者：fullerhua（中国统计网特邀认证作者）

　　本文为中国统计网原创文章，需要转载请联系中国统计网（ ），转载时请注明作者及出处，并保留本文链接。

　　更多精彩，长按下方图片中的二维码，下载APP查看。