首页
学习
活动
专区
工具
TVP
发布

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。...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。...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.

1.9K30
您找到你想要的搜索结果了吗?
是的
没有找到

Python读取PDF信息插入Word文档

Hello,上个周末没能搞事情,被一个代码需求给绊住了:朋友在平时工作中会经常重复性地打开不同PDF文件,选取其中特定的几组信息复制粘贴到不同的Word文档中,完成一份PDF文件平均耗时15分钟,想试试...上图为PDF中的目标文字;下图为Word文档要填充的位置: ?...思路 首先利用PDFMiner模块解析PDF文件,转化成PDF内容的文本列表;根据目标位置在列表中提取目标文本;利用Python处理Word文档的库docx-mailmerge模块,进行文本填充。...最终效果与PDF文件的格式是否规范有直接关系,有许多扫描件PDF文档每页都像是图片,就无法通过PDFMiner顺利获取到文本信息。...后续我们将尝试先把PDF转图片,再通过OCR识别图片中文字信息的思路来搞定。

1.6K40

爬虫系列:读取 CSV、PDF、Word 文档

上一期我们讲解了使用 Python 读取文档编码的相关问题,本期我们讲解使用 Python 处理 CSV、PDF、Word 文档相关内容。...不过有一些方法可以解决这个问题: 手动把 CSV 文件下载到本机,然后用 Python 定位文件位置; 写 Python 程序下载文件,读取之后把源文件删除; 从网上直接把文件读取成一个字符串,然后转换成一个...但是,因为 PDF 比较简单,而且开源的文档格式,所以一些给力的 Python 可以读取 PDF 文件,而且支持 Python 3.x 版本。...这种二进制格式很难读取,而且能够读取 word 格式的软件很少。...虽然有一个 python-docx 库,但是只支持创建和读取一些基本的数据,入文件大小和文件标题,不支持正文读取

3K20
领券