Python下数据处理-PDF

Python读出pdf文件

#!/usr/bin/env python

# -*- coding: utf-8 -*-

# @Time    : 2018/1/10 14:46

# @Author  : lingxiangxiang

# @File    : demon1.py

from pdfminer.pdfparser import PDFParser, PDFDocument

from pdfminer.pdfparser import PDFPage

from pdfminer.pdfinterp import PDFResourceManager, PDFTextExtractionNotAllowed

from pdfminer.pdfinterp import PDFPageInterpreter

from pdfminer.pdfdevice import PDFDevice

from pdfminer.layout import LAParams

from pdfminer.converter import PDFPageAggregator

#获取文档对象，你把algorithm.pdf换成你自己的文件名即可。

fp=open("test.pdf","rb")

#创建一个与文档相关联的解释器

parser=PDFParser(fp)

#PDF文档对象,提供密码初始化，没有就不用带password参数。

doc=PDFDocument()

 

parser.set_document(doc)

doc.set_parser(parser)

 

doc.initialize()

#检查文件是否允许文本提取

if not doc.is_extractable:

    raise PDFTextExtractionNotAllowed

#链接解释器和文档对象

# parser.set_document(doc)

#doc.set_paeser(parser)

#初始化文档

#doc.initialize("")

#创建PDF资源管理器对象来存储共享资源

resource=PDFResourceManager()

#参数分析器

laparam=LAParams()

#创建一个聚合器

device=PDFPageAggregator(resource, laparams=laparam)

#创建PDF页面解释器

interpreter=PDFPageInterpreter(resource,device)

#使用文档对象得到页面集合

for page in doc.get_pages():

  #使用页面解释器来读取

  interpreter.process_page(page)

  #使用聚合器来获取内容

  layout=device.get_result()

  for out in layout:

    if hasattr(out, "get_text"):

      print(out.get_text())

 

 

Html转pdf文件

转换成pdf的三种方法：

在工作中，我们可能会遇到把html文件转换成pdf文件，而python给我们提供了pdfkit这个模块，我们直接安装使用就可以了，下面我们就下来介绍一个pdfkit模块的几种用法，

首先，我们安装该模块：

pip install pdfkit

1.网页转换成pdf

直接把url转换成pdf文件

import pdfkit

pdfkit.from_url('http://google.com';, 'out1.pdf')

 

2. Html转换成pdf

Import pdfkit

pdfkit.from_file('test.html', 'out2.pdf')

 

3. 字符创转换成pdf

Import pdfkit

pdfkit.from_string('Hello lingxiangxiang!', 'out3.pdf')

 

 

 

抓取aming的linux教程，然后制作成pdf文件

先抓取每个的网页，然后生成pdf文件

 

import codecs

import os

import sys

 

import pdfkit

import requests

 

base_url = 'http://www.apelearn.com/study_v2/';

if not os.path.exists("aming"):

    os.mkdir("aming")

 

os.chdir("aming")

s = requests.session()

 

for i in range(1, 27):

    url = base_url + 'chapter' + str(i) + '.html'

    print(url)

    file = str(i) + '.pdf'

    print(file)

    config = pdfkit.configuration(wkhtmltopdf=r"D:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe")

    try:

        pdfkit.from_url(url, file)

    except:

        continue

 

合并多个pdf文件为一个pdf文件

 

import PyPDF2

import os

 

#建立一个装pdf文件的数组

pdfFiles = []

 

for fileName in os.listdir('aming'):    #遍历该程序所在文件夹内的文件

    if fileName.endswith('.pdf'):   #找到以.pdf结尾的文件

        pdfFiles.append(fileName)   #将pdf文件装进pdfFiles数组内

 

# pdfFiles.sort()     #文件排序

print(pdfFiles)

 

os.chdir("aming")

pdfWriter = PyPDF2.PdfFileWriter()     #生成一个空白的pdf文件

 

for fileName in pdfFiles:

    pdfReader = PyPDF2.PdfFileReader(open(fileName,'rb'))   #以只读方式依次打开pdf文件

    for pageNum in range(pdfReader.numPages):

        print(pdfReader.getPage(pageNum))

        pdfWriter.addPage(pdfReader.getPage(pageNum))    #将打开的pdf文件内容一页一页的复制到新建的空白pdf里

 

pdfOutput = open('combine.pdf','wb')     #生成combine.pdf文件

pdfWriter.write(pdfOutput)               #将复制的内容全部写入combine.pdf

pdfOutput.close()