Python讀PDF內容

1，引言

晚上翻看《Python網絡數據採集》這本書，看到讀取PDF內容的代碼，想起來前幾天集搜客剛剛發布了一個抓取網頁pdf內容的抓取規則，這個規則能夠把pdf內容當成html來做網頁抓取。神奇之處要歸功於Firefox解析PDF的能力，能夠把pdf格式轉換成html標籤，比如，div之類的標籤，從而用GooSeeker網頁抓取軟體像抓普通網頁一樣抓取結構化內容。

從而產生了一個問題：用Python爬蟲的話，能做到什麼程度。以下將講述一個實驗過程和原始碼。

2，把pdf轉換成文字的Python原始碼

下面的python原始碼，讀取pdf檔內容(網路上的或是本地的)，轉換成文本，列印出來。這段程式碼主要用了一個第三方函式庫PDFMiner3K把PDF讀成字串，然後用StringIO轉換成文件物件。 （原始碼下載地址參看文章末尾的GitHub來源）

from urllib.request import urlopen
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
from io import open

def 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 content

pdfFile = urlopen("http://pythonscraping.com/pages/warandpeace/chapter1.pdf")
outputString = readPDF(pdfFile)
print(outputString)
pdfFile.close()

如果PDF檔案在你的電腦裡，那就把urlopen回傳的物件pdfFile替換成普通的open()檔案物件。

3，展望

這個實驗只是把pdf轉換成了文本，但是沒有像開頭所說的轉換成html標籤，那麼在Python編程環境下是否有這個能力，留待今後探索。