pdfminer

PDF（Portable Document Format），中文名称便携文档格式是我们经常会接触到的一种文件格式，文献、文档...很多都是PDF格式。它以格式稳定的优势，使得我们在打印、分享、传输过程中能够最优的保持原有色彩和格式。 PDF是以PostScript语言图像模型为基础的一种文档格式，它在格式的稳定性方面虽然具有很大优势。但是，在可编辑性方面却为使用者引入了另外一个困扰。 例如，在文档的分割、合并、剪切、转换、编辑等方面PDF就有些捉襟见肘了。 Adobe Reader、福昕阅读器、熊猫PDF...经常用到的PDF工具只能用于文档阅读，但是免费版都不可以用于文档编辑。虽然，网页版PDF工具，例如SmallPDF、I love PDF可以用于PDF的编辑，但是对于文档大小也有限制。 曾经，为了替换PDF中的一页，我几乎试遍了所有市面上主流的PDF工具，最终还是不得不选择使用付费工具来解决问题。 事后想了想，既然这些商业化软件不靠谱，为什么不考虑自己动手开发一款工具呢？明明几十行代码能够解决的问题，为什么要费那么多劲去下载、安装那些没有节操的软件呢？ 本文就来介绍一下利用Python轻松开发一款PDF编辑工具，可以用于PDF转TxT、分割、合并、剪切、转换。 PyPDF2 PyPDF2是一个第三方的python PDF库，它能够对PDF文件进行分割、合并、裁剪和转换页面。

作者|Low Wei Hong 编译|VK 来源|Medium 当我还是一名大学生的时候，我很好奇自动提取简历信息是如何工作的。我将准备各种格式的简历，并上传到招聘网站，以测试背后的算法是如何工作的。我想自己尝试建一个。因此，在最近几周的空闲时间里，我决定构建一个简历解析器。 一开始，我觉得很简单。只是用一些模式来挖掘信息，结果发现我错了！构建简历解析器很困难，简历的布局有很多种，你可以想象。 例如，有些人会把日期放在简历的标题前面，有些人不把工作经历的期限写在简历上，有些人不会在简历上列出公司。这使得简历解析器更难构建，因为没有要捕获的固定模式。 经过一个月的工作，根据我的经验，我想和大家分享哪些方法工作得很好，在开始构建自己的简历分析器之前，你应该注意哪些事情。 在详细介绍之前，这里有一段视频短片，它显示了我的简历分析器的最终结果( https://youtu.be/E-yMeqjXzEA ) 数据收集 我在多个网站上搜了800份简历。简历可以是PDF格式，也可以是doc格式。 我使用的工具是Google的Puppeter（Javascript）从几个网站收集简历。 数据收集的一个问题是寻找一个好的来源来获取简历。在你能够发现它之后，只要你不频繁地访问服务器，抓取一部分就可以了。 之后，我选择了一些简历，并手动将数据标记到每个字段。标记工作的完成是为了比较不同解析方法的性能。

1.Python使用pdfminer解析PDF教程 https://blog.csdn.net/shao824714565/article/details/84792089 2.pdfminer各个时间版本下载地址 https://pypi.doubanio.com/simple/pdfminer/ 来源： oschina 链接： https://my.oschina.net/songms/blog/4278507

利用Python3脚本语言的简练语法，高级语言的丰富类库，快速写了几个文件读取、筛选、导出的“脚本”。 这里简单总结一下关键功能。 读取ini配置文件 检查ini文件是否存在；检查输入的key在ini文件里是否有定义。 1 import configparser 2 4 def getConfigInfo(_ini_nm): 5 6 # Open Ini File 7 config = configparser.ConfigParser() 8 if not config.read(os.path.join(os.getcwd(), _ini_nm + r ' .ini ' )): 9 printLog( ' E ' , ' Read Ini file fail. ' ) 10 11 while True: 12 sysCode = input(r ' Please input the system code : (Press [Enter] to quit): ' ).strip() 13 if 0 == len(sysCode.strip()): 14 exit() 15 16 # Init ConnectionSettings 17 if sysCode in config.sections(): 18 return dict(config[sysCode]) 19 else

[TOC] <hr> 一、背景 本想将 PDF 文件转换为 Word 文档，然后网上搜索了一下发现有挺多转换的软件。有的是免费的、收费，咱也不知哪个好使，还得一个个安装试用。先不说能不解决问题，就这安装试用想想就脑壳疼。便想起了"Python 大法"，随即搜了几篇看起来 比较完整的博客 ，二话不说粘贴复制，改改运行试试。使用环境(python3.6+pdfminer3k)，代码这里就不放出来了。 二、问题 运气不好，这一试就报错 WARNING:root:GBK-EUC-H ，然后又搜了一下有 同样的报错问题 ，但是这篇博客没啥大用，仅仅是知道缺了相关的字体文件，通过其中的链接顺藤摸瓜找到了 github 上的字体文件列表页 https://github.com/euske/pdfminer/tree/f1d5d681b6d2ab0ddeaea925ba784ebb94f6d509/pdfminer/cmap 三、解决 下载了报错的对应文件 GBK-EUC-H.pickle.gz ，然后将其文件解压把放置 Python 的安装目录下 Lib\site-packages\pdfminer\cmap 路径中，再次运行又报错 "pdfminer.converter:undefined: <PDFCIDFont: basefont='΢ÈíÑźÚ', cidcoding='Adobe

手把手 | 20行Python代码教你批量将PDF转为Word 作者 ｜ 丁彦军 给各位带来了一个免费简单快速的方法，手把手教你用 Python 批量处理PDF格式文件，获取自己想要的内容，存为word形式。 在实现PDF转Word功能之前，我们需要一个python的编写和运行环境，同时安装好相关的依赖包。 对于python环境，我们推荐使用PyCharm。 在本地 电脑 环境， anaconda 提供了非常便利的安装和部署。 PDF转Word功能所需的依赖包如下： PDFParser（文档分析器） PDFDocument（文档对象） PDFResourceManager（资源管理器） PDFPageInterpreter（解释器） PDFPageAggregator（聚合器） LAParams（参数分析器） 前期准备工作 说明：本文是在Windows7下使用python最新的3.6版本 1.安装pdfminer3k模块 安装 anaconda 后，直接可以通过pip安装 2.若安装不成功，可以试试下面方法 首先下载pdfminer3k：https://pypi.python.org/pypi/pdfminer3k；然后安装pdfminer，将下载好的pdfminer3k解压到D:或其他合适的盘符，通过win+r 打开运行窗口，输入cmd；输入D:切换到D盘，cd