- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章Python使用PDFMiner解析PDF代码实例由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
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:http://www.unixuser.org/~euske/python/pdfminer/index.html 。
一.安装:
1.首先下载源文件包 http://pypi.python.org/pypi/pdfminer/,解压,然后命令行安装即可:python 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: 。
1
2
3
4
5
|
# make cmap
python tools
/
conv_cmap.py pdfminer
/
cmap Adobe
-
CNS1 cmaprsrc
/
cid2code_Adobe_CNS1.txtreading
'cmaprsrc/cid2code_Adobe_CNS1.txt'
...writing
'CNS1_H.py'
......(this may take several minutes)
# python setup.py install
|
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. 。
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:http://denis.papathanasiou.org/posts/2010.08.04.post.html 。
这个Demo就比较详细了,源码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
|
#!/usr/bin/python
import
sys
import
os
from
binascii
import
b2a_hex
###
### pdf-miner requirements
###
from
pdfminer.pdfparser
import
PDFParser
from
pdfminer.pdfdocument
import
PDFDocument, PDFNoOutlines
from
pdfminer.pdfpage
import
PDFPage
from
pdfminer.pdfinterp
import
PDFResourceManager, PDFPageInterpreter
from
pdfminer.converter
import
PDFPageAggregator
from
pdfminer.layout
import
LAParams, LTTextBox, LTTextLine, LTFigure, LTImage, LTChar
def
with_pdf (pdf_doc, fn, pdf_pwd,
*
args):
"""Open the pdf document, and apply the function, returning the results"""
result
=
None
try
:
# open the pdf file
fp
=
open
(pdf_doc,
'rb'
)
# create a parser object associated with the file object
parser
=
PDFParser(fp)
# create a PDFDocument object that stores the document structure
doc
=
PDFDocument(parser, pdf_pwd)
# connect the parser and document objects
parser.set_document(doc)
# supply the password for initialization
if
doc.is_extractable:
# apply the function and return the result
result
=
fn(doc,
*
args)
# close the pdf file
fp.close()
except
IOError:
# the file doesn't exist or similar problem
pass
return
result
###
### Table of Contents
###
def
_parse_toc (doc):
"""With an open PDFDocument object, get the table of contents (toc) data
[this is a higher-order function to be passed to with_pdf()]"""
toc
=
[]
try
:
outlines
=
doc.get_outlines()
for
(level,title,dest,a,se)
in
outlines:
toc.append( (level, title) )
except
PDFNoOutlines:
pass
return
toc
def
get_toc (pdf_doc, pdf_pwd
=
''):
"""Return the table of contents (toc), if any, for this pdf file"""
return
with_pdf(pdf_doc, _parse_toc, pdf_pwd)
###
### Extracting Images
###
def
write_file (folder, filename, filedata, flags
=
'w'
):
"""Write the file data to the folder and filename combination
(flags: 'w' for write text, 'wb' for write binary, use 'a' instead of 'w' for append)"""
result
=
False
if
os.path.isdir(folder):
try
:
file_obj
=
open
(os.path.join(folder, filename), flags)
file_obj.write(filedata)
file_obj.close()
result
=
True
except
IOError:
pass
return
result
def
determine_image_type (stream_first_4_bytes):
"""Find out the image file type based on the magic number comparison of the first 4 (or 2) bytes"""
file_type
=
None
bytes_as_hex
=
b2a_hex(stream_first_4_bytes)
if
bytes_as_hex.startswith(
'ffd8'
):
file_type
=
'.jpeg'
elif
bytes_as_hex
=
=
'89504e47'
:
file_type
=
'.png'
elif
bytes_as_hex
=
=
'47494638'
:
file_type
=
'.gif'
elif
bytes_as_hex.startswith(
'424d'
):
file_type
=
'.bmp'
return
file_type
def
save_image (lt_image, page_number, images_folder):
"""Try to save the image data from this LTImage object, and return the file name, if successful"""
result
=
None
if
lt_image.stream:
file_stream
=
lt_image.stream.get_rawdata()
if
file_stream:
file_ext
=
determine_image_type(file_stream[
0
:
4
])
if
file_ext:
file_name
=
'
'.join([str(page_number), '
_', lt_image.name, file_ext])
if
write_file(images_folder, file_name, file_stream, flags
=
'wb'
):
result
=
file_name
return
result
###
### Extracting Text
###
def
to_bytestring (s, enc
=
'utf-8'
):
"""Convert the given unicode string to a bytestring, using the standard encoding,
unless it's already a bytestring"""
if
s:
if
isinstance
(s,
str
):
return
s
else
:
return
s.encode(enc)
def
update_page_text_hash (h, lt_obj, pct
=
0.2
):
"""Use the bbox x0,x1 values within pct% to produce lists of associated text within the hash"""
x0
=
lt_obj.bbox[
0
]
x1
=
lt_obj.bbox[
2
]
key_found
=
False
for
k, v
in
h.items():
hash_x0
=
k[
0
]
if
x0 >
=
(hash_x0
*
(
1.0
-
pct))
and
(hash_x0
*
(
1.0
+
pct)) >
=
x0:
hash_x1
=
k[
1
]
if
x1 >
=
(hash_x1
*
(
1.0
-
pct))
and
(hash_x1
*
(
1.0
+
pct)) >
=
x1:
# the text inside this LT* object was positioned at the same
# width as a prior series of text, so it belongs together
key_found
=
True
v.append(to_bytestring(lt_obj.get_text()))
h[k]
=
v
if
not
key_found:
# the text, based on width, is a new series,
# so it gets its own series (entry in the hash)
h[(x0,x1)]
=
[to_bytestring(lt_obj.get_text())]
return
h
def
parse_lt_objs (lt_objs, page_number, images_folder, text
=
[]):
"""Iterate through the list of LT* objects and capture the text or image data contained in each"""
text_content
=
[]
page_text
=
{}
# k=(x0, x1) of the bbox, v=list of text strings within that bbox width (physical column)
for
lt_obj
in
lt_objs:
if
isinstance
(lt_obj, LTTextBox)
or
isinstance
(lt_obj, LTTextLine):
# text, so arrange is logically based on its column width
page_text
=
update_page_text_hash(page_text, lt_obj)
elif
isinstance
(lt_obj, LTImage):
# an image, so save it to the designated folder, and note its place in the text
saved_file
=
save_image(lt_obj, page_number, images_folder)
if
saved_file:
# use html style <img /> tag to mark the position of the image within the text
text_content.append(
'<img src="'
+
os.path.join(images_folder, saved_file)
+
'" />'
)
else
:
print
>> sys.stderr,
"error saving image on page"
, page_number, lt_obj.__repr__
elif
isinstance
(lt_obj, LTFigure):
# LTFigure objects are containers for other LT* objects, so recurse through the children
text_content.append(parse_lt_objs(lt_obj, page_number, images_folder, text_content))
for
k, v
in
sorted
([(key,value)
for
(key,value)
in
page_text.items()]):
# sort the page_text hash by the keys (x0,x1 values of the bbox),
# which produces a top-down, left-to-right sequence of related columns
text_content.append(''.join(v))
return
'\n'
.join(text_content)
###
### Processing Pages
###
def
_parse_pages (doc, images_folder):
"""With an open PDFDocument object, get the pages and parse each one
[this is a higher-order function to be passed to with_pdf()]"""
rsrcmgr
=
PDFResourceManager()
laparams
=
LAParams()
device
=
PDFPageAggregator(rsrcmgr, laparams
=
laparams)
interpreter
=
PDFPageInterpreter(rsrcmgr, device)
text_content
=
[]
for
i, page
in
enumerate
(PDFPage.create_pages(doc)):
interpreter.process_page(page)
# receive the LTPage object for this page
layout
=
device.get_result()
# layout is an LTPage object which may contain child objects like LTTextBox, LTFigure, LTImage, etc.
text_content.append(parse_lt_objs(layout, (i
+
1
), images_folder))
return
text_content
def
get_pages (pdf_doc, pdf_pwd
=
'
', images_folder='
/
tmp'):
"""Process each of the pages in this pdf file and return a list of strings representing the text found in each page"""
return
with_pdf(pdf_doc, _parse_pages, pdf_pwd,
*
tuple
([images_folder]))
a
=
open
(
'a.txt'
,
'a'
)
for
i
in
get_pages(
'/home/jamespei/nova.pdf'
):
a.write(i)
a.close()
|
这段代码重点在于第128行,可以看到PDFMiner是一种基于坐标来解析的框架,PDF中能解析的组件全都包括上下左右边缘的坐标,如x0 = 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20%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': 16, 'CFM': /AESV2, 'AuthEvent': /DocOpen}}, 'O': '\xe4\xe74\xb86/\xa8)\xa6x\xe6\xa3/U\xdf\x0fWR\x9cPh\xac\xae\x88B\x06_\xb0\x93@\x9f\x8d', 'Filter': /Standard, 'P': -1340, 'Length': 128, 'R': 4, 'U': '|UTX#f\xc9V\x18\x87z\x10\xcb\xf5{\xa7\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00', '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:
1
2
|
from
subprocess
import
call
call(
'qpdf --password=%s --decrypt %s %s'
%
('', file_path, new_file_path), shell
=
True
)
|
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 。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我.
原文链接:http://www.cnblogs.com/jamespei/p/5339769.html 。
最后此篇关于Python使用PDFMiner解析PDF代码实例的文章就讲到这里了,如果你想了解更多关于Python使用PDFMiner解析PDF代码实例的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
我一直在使用 AJAX 从我正在创建的网络服务中解析 JSON 数组时遇到问题。我的前端是一个简单的 ajax 和 jquery 组合,用于显示从我正在创建的网络服务返回的结果。 尽管知道我的数据库查
很难说出这里要问什么。这个问题模棱两可、含糊不清、不完整、过于宽泛或夸夸其谈,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开,visit the help center . 关闭 1
我在尝试运行 Android 应用程序时遇到问题并收到以下错误 java.lang.NoClassDefFoundError: com.parse.Parse 当我尝试运行该应用时。 最佳答案 在这
有什么办法可以防止etree在解析HTML内容时解析HTML实体吗? html = etree.HTML('&') html.find('.//body').text 这给了我 '&' 但我想
我有一个有点疯狂的例子,但对于那些 JavaScript 函数作用域专家来说,它看起来是一个很好的练习: (function (global) { // our module number one
关闭。此题需要details or clarity 。目前不接受答案。 想要改进这个问题吗?通过 editing this post 添加详细信息并澄清问题. 已关闭 8 年前。 Improve th
我需要编写一个脚本来获取链接并解析链接页面的 HTML 以提取标题和其他一些数据,例如可能是简短的描述,就像您链接到 Facebook 上的内容一样。 当用户向站点添加链接时将调用它,因此在客户端启动
在 VS Code 中本地开发时,包解析为 C:/Users//AppData/Local/Microsoft/TypeScript/3.5/node_modules/@types//index而不是
我在将 json 从 php 解析为 javascript 时遇到问题 这是我的示例代码: //function MethodAjax = function (wsFile, param) {
我在将 json 从 php 解析为 javascript 时遇到问题 这是我的示例代码: //function MethodAjax = function (wsFile, param) {
我被赋予了将一种语言“翻译”成另一种语言的工作。对于使用正则表达式的简单逐行方法来说,源代码过于灵活(复杂)。我在哪里可以了解更多关于词法分析和解析器的信息? 最佳答案 如果你想对这个主题产生“情绪化
您好,我在解析此文本时遇到问题 { { { {[system1];1;1;0.612509325}; {[system2];1;
我正在为 adobe after effects 在 extendscript 中编写一些代码,最终变成了 javascript。 我有一个数组,我想只搜索单词“assemble”并返回整个 jc3_
我有这段代码: $(document).ready(function() { // }); 问题:FB_RequireFeatures block 外部的代码先于其内部的代码执行。因此 who
背景: netcore项目中有些服务是在通过中间件来通信的,比如orleans组件。它里面服务和客户端会指定网关和端口,我们只需要开放客户端给外界,服务端关闭端口。相当于去掉host,这样省掉了些
1.首先贴上我试验成功的代码 复制代码 代码如下: protected void onMeasure(int widthMeasureSpec, int heightMeasureSpec)
什么是 XML? XML 指可扩展标记语言(eXtensible Markup Language),标准通用标记语言的子集,是一种用于标记电子文件使其具有结构性的标记语言。 你可以通过本站学习 X
【PHP代码】 复制代码 代码如下: $stmt = mssql_init('P__Global_Test', $conn) or die("initialize sto
在SQL查询分析器执行以下代码就可以了。 复制代码代码如下: declare @t varchar(255),@c varchar(255) declare table_cursor curs
前言 最近练习了一些前端算法题,现在做个总结,以下题目都是个人写法,并不是标准答案,如有错误欢迎指出,有对某道题有新的想法的友友也可以在评论区发表想法,互相学习🤭 题目 题目一: 二维数组中的
我是一名优秀的程序员,十分优秀!