pdfminer

引言 最近在爬一个网站，然后爬到详情页的时候发现，目标内容是用pdf在线预览的 比如如下网站： https://camelot-py.readthedocs.io/en/master/_static/pdf/foo.pdf 根据我的分析发现，这样的在线预览pdf的采用了pdfjs加载预览，用爬虫的方法根本无法直接拿到pdf内的内容的，对的，你注意到了我说的【根本无法直接拿到】中的直接两个字，确实直接无法拿到，怎么办呢？只能把pdf先下载到本地，然后用工具转了，经过我查阅大量的相关资料发现，工具还是有很多： 　　1.借用第三方的pdf转换网站转出来 　　2.使用Python的包来转：如：pyPdf，pyPdf2，pyPdf4，pdfrw等工具 这些工具在pypi社区一搜一大把： 但是效果怎么样就不知道了，只能一个一个去试了，到后面我终于找到个库，非常符合我的需求的库 ——camelot camelot可以读取pdf文件中的数据，并且自动转换成pandas库（数据分析相关）里的DataFrame类型，然后可以通过DataFrame转为csv,json,html都行，我的目标要的就是转为html格式，好，废话不多说，开始搞 开始解析 1.安装camelot: pip install camelot-py pip install cv2 （因为camelot需要用到这个库） 2.下载pdf

哪些是将PDF文件转换为文本的最佳Python模块？ #1楼 该 PDFMiner 包已经改变，因为 codeape 公布。 编辑（再次）： PDFMiner已在版本 20100213 再次更新 您可以使用以下内容检查已安装的版本： >>> import pdfminer >>> pdfminer.__version__ '20100213' 这是更新版本（包含我更改/添加内容的评论）： def pdf_to_csv(filename): from cStringIO import StringIO #<-- added so you can copy/paste this to try it from pdfminer.converter import LTTextItem, TextConverter from pdfminer.pdfparser import PDFDocument, PDFParser from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter class CsvConverter(TextConverter): def __init__(self, *args, **kwargs): TextConverter.__init__(self, *args, **kwargs)

#Author：Alex.Zhang import pyocr import importlib import sys import time importlib.reload( sys ) time1 = time.time() # print("初始时间为：",time1) import os.path from pdfminer.pdfparser import PDFParser , PDFDocument from pdfminer.pdfinterp import PDFResourceManager , PDFPageInterpreter from pdfminer.converter import PDFPageAggregator from pdfminer.layout import LTTextBoxHorizontal , LAParams from pdfminer.pdfinterp import PDFTextExtractionNotAllowed text_path = r'parameters in cryo-EM.pdf' # text_path = r'photo-words.pdf' def parse(): '''解析PDF文本，并保存到TXT文件中''' fp = open( text_path , 'rb' ) #