Python读取网页上的pdf文件，输出字符串

python PDFMiner

python PDFMiner

首先安装pdf文件python读取包，PDFMinerPDFMiner是一种从PDF文档中提取信息的工具。与其他PDF相关工具不同，它完全专注于获取和分析文本数据。如下所示 pip  install PDFMiner

开始使用PDFMiner来读取一个远程的pdf文件，除了使用PDFMiner，还需要安装urllib 或者urllib2，有时候这些都安装了，在导入process_pdf的时候会找不到，这个时候就需要重新安装 pdfminer可以到如下地址寻找 pdfminer的历史版本，例如我这里安装pdfminer 20131022pip install pdfminer==20131113安装完成后如下所示 process_pdf可以导入正常使用了，好的我们开始下一步

读取一个远程的pdf文件，输出字符串# -*- coding: UTF-8 -*from urllib import urlopenfrom pdfminer.pdfinterp import PDFResourceManager, process_pdffrom pdfminer.converter import TextConverterfrom pdfminer.layout import LAParamsfrom io import StringIOfrom io import opendef 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 contentpdfFile = urlopen('http://pythonscraping.com/pages/warandpeace/chapter1.pdf')#远程outputString = readPDF(pdfFile)print(outputString)pdfFile.close()

读取一个本地pdf文件，输出字符串# -*- coding: UTF-8 -*from urllib import urlopenfrom pdfminer.pdfinterp import PDFResourceManager, process_pdffrom pdfminer.converter import TextConverterfrom pdfminer.layout import LAParamsfrom io import StringIOfrom io import opendef 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 contentpdfFile = open(u'/home/mypdf.pdf',”rd”) #本地print(pdfFile)outputString = readPDF(pdfFile)print(outputString)pdfFile.close()