在 python 中将 pdf 转换为 text/html，以便我可以解析它

Question

我有以下示例代码，我从欧洲议会网站下载了关于给定立法提案的 pdf：

编辑：我最终只是获得了链接并将其提供给 adobes 在线转换工具（请参见下面的代码）：

import mechanize
import urllib2
import re
from BeautifulSoup import *

adobe = "http://www.adobe.com/products/acrobat/access_onlinetools.html"

url = "http://www.europarl.europa.eu/oeil/search_reference_procedure.jsp"

def get_pdf(soup2):
    link = soup2.findAll("a", "com_acronym")
    new_link = []
    amendments = []
    for i in link:
        if "REPORT" in i["href"]:
            new_link.append(i["href"])
    if new_link == None:
        print "No A number"
    else:
        for i in new_link:
            page = br.open(str(i)).read()
            bs = BeautifulSoup(page)
            text = bs.findAll("a")
            for i in text:
                if re.search("PDF", str(i)) != None:
                    pdf_link = "http://www.europarl.europa.eu/" + i["href"]
            pdf = urllib2.urlopen(pdf_link)
            name_pdf = "%s_%s.pdf" % (y,p)
            localfile = open(name_pdf, "w")
            localfile.write(pdf.read())
            localfile.close()

            br.open(adobe)
            br.select_form(name = "convertFrm")
            br.form["srcPdfUrl"] = str(pdf_link)
            br["convertTo"] = ["html"]
            br["visuallyImpaired"] = ["notcompatible"]
            br.form["platform"] =["Macintosh"]
            pdf_html = br.submit()

            soup = BeautifulSoup(pdf_html)


page = range(1,2) #can be set to 400 to get every document for a given year
year = range(1999,2000) #can be set to 2011 to get documents from all years

for y in year:
    for p in page:
        br = mechanize.Browser()
        br.open(url)
        br.select_form(name = "byReferenceForm")
        br.form["year"] = str(y)
        br.form["sequence"] = str(p)
        response = br.submit()
        soup1 = BeautifulSoup(response)
        test = soup1.find(text="No search result")
        if test != None:
            print "%s %s No page skipping..." % (y,p)
        else:
            print "%s %s  Writing dossier..." % (y,p)
            for i in br.links(url_regex="file.jsp"):
                link = i
            response2 = br.follow_link(link).read()
            soup2 = BeautifulSoup(response2)
            get_pdf(soup2)

在 get_pdf() 函数中，我想将 pdf 文件转换为 python 中的文本，以便我可以解析文本以获取有关立法程序的信息。谁能解释一下这是怎么做到的？

托马斯

Answer 1

听起来您找到了解决方案，但如果您想在没有网络服务的情况下执行此操作，或者您需要根据 PDF 页面上的精确位置抓取数据，我可以推荐我的库 pdfquery 吗？它基本上将 PDF 转换为可以作为 XML 输出的 lxml 树，或使用 XPath、PyQuery 或您想要使用的任何其他内容进行解析。

要使用它，一旦您将文件保存到磁盘，您将返回pdf = pdfquery.PDFQuery(name_pdf)，或者如果您不需要保存它，则直接传入一个 urllib 文件对象。要使用 BeautifulSoup 解析 XML，您可以使用 pdf.tree.tostring()。

如果您不介意使用 JQuery 样式的选择器，可以使用带有位置扩展的 PyQuery 接口，这非常方便。例如：

balance = pdf.pq(':contains("Your balance is")').text()
strings_near_the_bottom_of_page_23 = [el.text for el in pdf.pq('LTPage[page_label=23] :in_bbox(0, 0, 600, 200)')]

Answer 2

这并不完全是魔法。我建议

• 将 PDF 文件下载到临时目录，
• 调用外部程序将文本提取到（临时）文本文件中，
• 读取文本文件。

对于文本提取命令行实用程序，您有 a number of possibilities 并且可能还有其他未在链接中提及的工具（可能是基于 Java 的）。首先尝试它们，看看它们是否符合您的需求。也就是说，分别尝试每个步骤（查找链接、下载文件、提取文本），然后将它们拼凑在一起。呼叫请使用subprocess.Popen 或subprocess.call()。