如何使用 Python 抓取 PDF；仅限特定内容

Posted 2023-02-24

【中文标题】如何使用 Python 抓取 PDF；仅限特定内容

【英文标题】：How to scrape PDFs using Python; specific content only

【发布时间】：2020-03-26 13:53:55

【问题描述】：

我正在尝试从网站上可用的 PDF 中获取数据

https://usda.library.cornell.edu/concern/publications/3t945q76s?locale=en

例如，如果我查看 2019 年 11 月的报告

https://downloads.usda.library.cornell.edu/usda-esmis/files/3t945q76s/dz011445t/mg74r196p/latest.pdf

我需要第 12 页上的玉米数据，我必须为期末库存、出口等创建单独的文件。我是 Python 新手，不知道如何单独抓取内容。如果我能弄清楚一个月，那么我可以创建一个循环。但是，我对如何处理一个文件感到困惑。

TIA，谁能帮帮我。

【问题讨论】：

如果页面在一个 PDF 中发送所有内容，那么您必须下载此文件，然后使用其他模块从 PDF 中获取数据。但这些模块与“抓取”无关。它们用词来描述edit 或extract。

我检查了这个页面，我看到了文件 txt、xls、xml 的链接 - 获取 txt 文件和处理文本会更容易 - 最终使用 xml 或 xls。

其实他们多年来都没有文本文件，这就是我想从PDF中提取的原因

使用requests或urllib可以从服务器获取html，使用BeautifulSoup可以在HTML中找到指向PDF的链接，使用requests或urllib这些链接可以下载PDF格式。稍后您将不得不使用其他工具来处理 PDF。有模块 PDFMiner、PyPDF2 可以在 Python 中处理 PDF，但我没有这方面的经验。

【参考方案1】：

这里有一个使用 PyPDF2、requests 和 BeautifulSoup 的小例子...请检查注释注释，这是第一个块...如果您需要更多，则需要更改 url 变量中的值

# You need install :
# pip install PyPDF2 - > Read and parse your content pdf
# pip install requests - > request for get the pdf
# pip install BeautifulSoup - > for parse the html and find all url hrf with ".pdf" final
from PyPDF2 import PdfFileReader
import requests
import io
from bs4 import BeautifulSoup

url=requests.get('https://usda.library.cornell.edu/concern/publications/3t945q76s?locale=en#release-items')
soup = BeautifulSoup(url.content,"lxml")

for a in soup.find_all('a', href=True):
    mystr= a['href']
    if(mystr[-4:]=='.pdf'):
        print ("url with pdf final:", a['href'])
        urlpdf = a['href']
        response = requests.get(urlpdf)
        with io.BytesIO(response.content) as f:
            pdf = PdfFileReader(f)
            information = pdf.getDocumentInfo()
            number_of_pages = pdf.getNumPages()
            txt = f"""
            Author: information.author
            Creator: information.creator
            Producer: information.producer
            Subject: information.subject
            Title: information.title
            Number of pages: number_of_pages
            """
            # Here the metadata of your pdf
            print(txt)
            # numpage for the number page
            numpage=20
            page = pdf.getPage(numpage)
            page_content = page.extractText()
            # print the content in the page 20            
            print(page_content)

【参考方案2】：

如果你需要从网站上抓取数据，我会推荐 Beautiful Soup，但看起来你需要 OCR 来从 PDF 中提取数据。有一种叫做 pytesseract 的东西。看看那个和教程，你应该准备好了。

【参考方案3】：

试试pdfreader。您可以将表格提取为包含解码文本字符串的 PDF markdown，然后解析为纯文本。

from pdfreader import SimplePDFViewer
fd = open("latest.pdf","rb")
viewer = SimplePDFViewer(fd)
viewer.navigate(12)
viewer.render()
markdown = viewer.canvas.text_content

markdown 变量包含所有文本，包括 PDF 命令（定位、显示）：所有字符串都放在括号中，后跟 Tj 或 TJ 运算符。 有关 PDF 文本运算符的更多信息，请参阅PDF 1.7 sec. 9.4 Text Objects

例如，您可以使用正则表达式对其进行解析。