怎样用爬取网页中的pdf的内容

Posted 2023-04-07

可以借助一些采集工具实现批量采集网页中的文档链接，再利用工具下载文档后转格式复制粘贴 参考技术A 文字的话，先截屏保存，再用ocr软件识别。

python怎样抓取网页中的文字和数字数据

以下代码在 py2 下运行通过：

import urllib2

req = urllib2.Request('https://www.baidu.com/')  # 创建一个 Requset 对象
response = urllib2.urlopen(req)  # 调用 urlopen
the_page = response.read()  # 返回一个 response 对象 在 response 中调用 read()
print the_page

运行效果：

参考技术A 通过xpath路径来定位到要提取的元素，在路径后面加上/text()可以提取该元素的文本，如果是要提取属性值，在路径后面加上/@属性名就可以。如果要只采集数字或者文字，可以使用正则来实现。比如数字的正字表达式：[0-9]+。希望可以帮到题主