将 PDF 的 CreationTime 转换为 Python 中的可读格式答案

【问题标题】：Convert CreationTime of PDF to a readable format in Python将 PDF 的 CreationTime 转换为 Python 中的可读格式
【发布时间】：2013-05-12 00:39:07
【问题描述】：

我正在使用 Python 处理 PDF，并且正在使用 PDFMiner 访问文件的元数据。我使用这个提取信息：

from pdfminer.pdfparser import PDFParser, PDFDocument    
fp = open('diveintopython.pdf', 'rb')
parser = PDFParser(fp)
doc = PDFDocument()
parser.set_document(doc)
doc.set_parser(parser)
doc.initialize()

print doc.info[0]['CreationDate']
# And return this value "D:20130501200439+01'00'"

如何在 Python 中将D:20130501200439+01'00' 转换为可读格式？

【问题讨论】：

看起来已经可读了？当然，前六位数字似乎是yyyymmdd。只需将其切片并转换为整数，例如year = int(doc.info[0]['CreationDate'][2:6])
是的，它是yyyymm，但不是dd。文件的实际日期为Thursday, May 02, 2013, 3:04:39 AM。
@kimbebot 你确定吗？在哪个时区？
是的@SanjayManohar，时区没有问题。 PDF文件是刚刚从网上下载的，我只是提取每个文件的创建时间。

标签： python date datetime pdf

【解决方案1】：

我找到了here 记录的格式。我也需要处理时区，因为我要处理来自各地的 16 万份文件。这是我的完整解决方案：

import datetime
import re
from dateutil.tz import tzutc, tzoffset


pdf_date_pattern = re.compile(''.join([
    r"(D:)?",
    r"(?P<year>\d\d\d\d)",
    r"(?P<month>\d\d)",
    r"(?P<day>\d\d)",
    r"(?P<hour>\d\d)",
    r"(?P<minute>\d\d)",
    r"(?P<second>\d\d)",
    r"(?P<tz_offset>[+-zZ])?",
    r"(?P<tz_hour>\d\d)?",
    r"'?(?P<tz_minute>\d\d)?'?"]))


def transform_date(date_str):
    """
    Convert a pdf date such as "D:20120321183444+07'00'" into a usable datetime
    http://www.verypdf.com/pdfinfoeditor/pdf-date-format.htm
    (D:YYYYMMDDHHmmSSOHH'mm')
    :param date_str: pdf date string
    :return: datetime object
    """
    global pdf_date_pattern
    match = re.match(pdf_date_pattern, date_str)
    if match:
        date_info = match.groupdict()

        for k, v in date_info.iteritems():  # transform values
            if v is None:
                pass
            elif k == 'tz_offset':
                date_info[k] = v.lower()  # so we can treat Z as z
            else:
                date_info[k] = int(v)

        if date_info['tz_offset'] in ('z', None):  # UTC
            date_info['tzinfo'] = tzutc()
        else:
            multiplier = 1 if date_info['tz_offset'] == '+' else -1
            date_info['tzinfo'] = tzoffset(None, multiplier*(3600 * date_info['tz_hour'] + 60 * date_info['tz_minute']))

        for k in ('tz_offset', 'tz_hour', 'tz_minute'):  # no longer needed
            del date_info[k]

        return datetime.datetime(**date_info)

【讨论】：

【解决方案2】：

使用 Python 3 的 datetime.strptime;只需先删除撇号：

from datetime import datetime

creation_date = "D:20130501200439+01'00'"

dt = datetime.strptime(creation_date.replace("'", ""), "D:%Y%m%d%H%M%S%z")

print(repr(dt))
# datetime.datetime(2013, 5, 1, 20, 4, 39, tzinfo=datetime.timezone(datetime.timedelta(seconds=3600)))

print(dt.isoformat())
# 2013-05-01T20:04:39+01:00

一旦你有了一个日期时间对象，你可以格式化回字符串，但是你喜欢“可读”的输出，见strptime/strftime directives。

【讨论】：

【解决方案3】：

“+01'00'”是时区信息吗？不考虑这一点，您可以按如下方式创建一个日期时间对象...

>>>from time import mktime, strptime
>>>from datetime import datetime
...
>>>datestring = doc.info[0]['CreationDate'][2:-7]
>>>ts = strptime(datestring, "%Y%m%d%H%M%S")
>>>dt = datetime.fromtimestamp(mktime(ts))
datetime(2013, 5, 1, 20, 4, 30)

【讨论】：

很好，我用其他 PDF 文件尝试过这个，得到了 yyyymmdd 准确但不是时间，反正不需要时间。

【解决方案4】：

我想我没有代表评论 Paul Whipp 的说明性答案，但我已经对其进行了修改以处理我的一些旧文件中存在的 Y2K 错误的一种形式。 2000年写成19100，所以pdf_date_pattern的相关行变成了

r"(?P<year>191\d\d|\d\d\d\d)",

我在转换值循环中添加了一个 elif：

elif k == 'year' and len(v) == 5:
    date_info[k] = int('20' + v[3:])

【讨论】：