者:Mike Driscoll
翻譯:季洋
校對:丁楠雅
本文約4000字,建議閱讀10分鐘。
本文介紹了在提取出想要的數據之后,如何將數據導出成其他格式的方法。
有很多時候你會想用Python從PDF中提取數據,然后將其導出成其他格式。不幸的是,并沒有多少Python包可以很好的執行這部分工作。在這篇貼子中,我們將探討多個不同的Python包,并學習如何從PDF中提取某些圖片。盡管在Python中沒有一個完整的解決方案,你還是應該能夠運用這里的技能開始上手。提取出想要的數據之后,我們還將研究如何將數據導出成其他格式。
讓我們從如何提取文本開始學起!
最被大家所熟知的可能是一個叫做PDFMiner的包。PDFMiner包大約從Python 2.4版本就存在了。它的主要目的是從PDF中提取文本。實際上,PDFMiner可以告訴你某文本在分頁上具體的位置和字體信息。對于Python 2.4到2.7版本,你可以參考以下網站來了解PDFMiner的更多信息:
GitHub – https://github.com/euske/pdfminerPyPI – https://pypi.python.org/pypi/pdfminer/Webpage – https://euske.github.io/pdfminer/
PDFMiner是不兼容于Python 3的。幸運的是,PDFMiner家族的一個分支PDFMiner.six在Python 3上完全能勝任同樣的功能。
你可以在以下網站上找到:
https://github.com/pdfminer/pdfminer.six
關于PDFMiner的安裝說明已經比較過時了。其實你可以用pip命令來安裝它:
如果你要在Python 3上安裝PDFMiner(這也許就是你現在正在做的),你需要這樣安裝:
PDFMiner的相關文檔很少。你將很大可能地需要使用Google和Stack Overflow兩個查詢工具來弄清楚如何在這篇貼子的涵蓋內容之外有效地使用PDFMiner。
有時你會想要提取PDF文件中的所有文本。PDFMiner包提供了一些不同的方法使你能夠做到這一點。我們先來探討一些編程的方法。讓我們試著從一個國稅局W9表單中讀取所有的文本。
你可以從這里得到表單副本:
https://www.irs.gov/pub/irs-pdf/fw9.pdf
保存完這個PDF文件之后,你可以參考以下代碼:
當你直接使用PDFMiner包時,往往會有點繁瑣。這里,我們從PDFMiner的不同模塊中引入多個不同的類。由于這些類都沒有文檔說明,也沒有實現其文檔字符串屬性,我將不會深入講解它們做了什么。如果你真的好奇的話,盡管可以深入地研究它們的源代碼。無論如何,我認為我們可以大致照以上代碼行事。
我們做的第一件事就是創建一個資源管理器的實例。然后通過Python的輸入輸出(io)模塊創建一個似文件對象。如果你使用的是Python 2,你應該使用StringIO模塊。接下來的步驟是創建一個轉換器。在這個例子里,我們選擇使用TextConverter,如果你想要的話,你還可以使用HTMLConverter或XMLConverter。最后,我們創建一個PDF解釋器對象,攜帶著我們的資源管理器和轉換器對象,來提取文本。
最后一步是打開PDF文件并且循環遍歷每一頁。結尾部分,我們抓取所有的文本,關閉不同的信息處理器,同時打印文本到標準輸出(stdout)。
通常我們并不需要從一個多頁文檔中抓取所有的文本。你一般會想要處理文檔的某些部分。那么,讓我們改寫代碼以便它提取文本呈分頁的格式。這將允許我們在檢查文本時,一次一頁地進行:
在這個例子中,我們創建了一個生成器函數按頁生成(yield)了文本。extract_text函數按頁打印出文本。此處我們可以加入一些分析邏輯來得到我們想要的分析結果。或者我們可以僅是將文本(或HTML或XML)存入不同的文件中以便分析。
你可能注意到這些文本沒有按你期望的順序排列。因此你需要思考一些方法來分析出你感興趣的文本。
PDFMiner的好處就是你可以很方便地按文本、HTML或XML格式來“導出”PDF文件。
你也可以使用PDFMiner的命令行工具,pdf2txt.py和dumppdf.py,來為你執行導出工作。如果你不想試圖自己弄明白PDFMiner。根據pdf2txt.py 的源代碼,它可以被用來導出PDF成純文本、HTML、XML或“標簽”格式。
通過pdf2txt.py導出文本
伴隨著PDFMiner一起的pdf2txt.py命令行工具會從一個PDF文件中提取文本并且默認將其打印至標準輸出(stdout)。它不能識別文字圖片,就像PDFMiner不支持光學字符識別(OCR)一樣。讓我們嘗試用最簡單的方法來使用它,那就是僅僅傳遞給它一個PDF文件的路徑。我們會使用w9.pdf文件。打開一個終端并且定位到你存放PDF文件的位置,或修改一下命令指向待處理文件:
如果你執行這條命令,它將打印出所有的文本到標準輸出(stdout)。你也可以使pdf2txt.py 將文本寫入文件成文本、HTML、XML或“帶標簽PDF”格式。XML格式將給出關于PDF的大部分信息,因為它包含了每一個字母在文件中的位置以及字體信息。不推薦使用HTML格式,因為pdf2txt生成的標記往往會很丑。以下是教你如何生成不同格式輸出的方法:
第一條命令將創建一個HTML文件,而第二條將創建一個XML文件。
最終的結果看上去有點怪,但是它并不太糟糕。XML格式的輸出極其冗長,因此我不能將它完整地在這里重現,以下是一小段示例:
Tim McNamara覺得PDFMiner使用起來太過愚蠢和費力,因此他寫了一個圍繞它的包裝器叫做slate,以使它更簡單地從PDF中提取文本。不幸的是,它和Python 3不兼容。如果你想試用,你可能需要easy_install以便于安裝distribute包,如下:
我不能使用pip 正確安裝這個包。然而一旦安裝了它,你將能夠使用pip來安裝slate:
注意最新的版本是0.5.2,而pip未必能拿到這個版本。如果拿不到,那么你可以從GitHub上直接獲取slate安裝:
現在我們已經準備好寫一些代碼來從PDF中提取文本了:
正如你能看到的,讓slate分析一個PDF文件,你只需要引進slate然后創建一個它的PDF類的實例。PDF類其實是Python內置類list的一個子類,所以它僅是返回了一列/可遍歷的文本頁。如果PDF文件設有密碼,你可以傳入一個密碼參數。不管怎樣,一旦文件被分析,我們只要打印出每一頁的文本即可。
我非常喜歡slate,它用起來更簡單。不幸的是,這個包也幾乎沒有什么相關文檔。在瀏覽過它的源碼之后,它看起來只支持純文本提取。
導出你的數據
現在我們得到了一些文本,我們會花費一些時間來學習如何導出數據成各種不同的格式。具體來說,我們將學習如何以如下方法導出文本:
讓我們開始吧!
可擴展標記語言(XML)格式是最為人所熟知的輸入輸出格式之一。它被廣泛運用于互聯網中的許多不同的事物。正如我們已經在本貼中看到的,PDFMiner也支持XML作為它的輸出之一。
話雖這么說,讓我們創建我們自己的XML生成工具。如下是一個簡單的例子:
這段代碼將使用Python內置的XML庫,minidom和ElementTree。我們也引入PDFMiner生成器代碼以用于每次抓取一頁文本。在這個例子中,我們用PDF的文件名創建了我們頂層的元素。然后在它的下層增加了一個頁(Pages)元素。下一步是for循環,在此循環中我們從PDF中提取每一頁然后保存想要的信息。此處你可以加入一個特定的分析程序,其中你可以將頁分成句子或者單詞,從而分析出更有趣的信息。比如,你可能只想得到有某個特定名字或日期/時間戳的句子。你可以運用Python的正則表達式來找出這類東西,或者僅是檢查子字符串在句子中的存在。
對于這個例子,我們僅僅是提取了每一頁的前100個字符并將其存入一個XML的子元素(SubElement)中。接下來的一段代碼可以簡化成僅是寫出XML文件。然而,ElementTree不會做任何事來使得XML易讀。它最后看上去有點像壓縮的JavaScript似的一塊巨型文本。所以我們在寫入文件之前使用minidom 通過空格來“美化”XML,而不是將整塊文本寫入磁盤。最終看上去像這樣:
上面是漂亮干凈的XML,同時它也是易讀的。錦上添花的是,你可以運用你在PyPDF2章節中所學到的知識從PDF中提取元數據(metadata),然后將其也加入到XML中。
JavaScript對象注釋, 或者JSON, 是一種易讀易寫的輕量級的數據交換格式。Python包含一個json 模塊于它的標準庫中,從而允許你用編程方式來讀寫JSON。讓我們運用從前一章節學到的內容來創建一個導出器腳本來輸出JSON而不是XML:
這里,我們引入所需要的不同的庫,包括PDFMiner模塊。然后創建一個函數,以PDF文件的輸入路徑和JSON文件的輸出路徑為參數。在Python中JSON基本上就是一個字典,所以我們創建一對簡單的頂層的鍵:Filename和Pages。Pages鍵對應一個空的表單。接著,我們循環遍歷PDF的每一頁并且提取每一頁的前100個字符。然后創建一個字典變量以頁號作為鍵100個字符作為值并將其添加到頂層的頁表單中。最后,我們利用json 模塊的dump 命令生成文件。
文件的內容最終看上去像這樣:
又一次,我們得到了易讀的輸出。你也可以通過PDF的元數據(metadata)來加強這個例子,如果你樂意的話。請注意輸出將會改變,它依賴于你想從每一頁或文檔中分析出什么樣的結果。
現在讓我們來快速看一下怎樣導出CSV文件。
CSV是 **comma separated values** (逗號分隔值)的縮寫。它是一種漂亮的標準格式,并且已經存在了很長時間。CSV的優點就是Microsoft Excel和 LibreOffice都能夠自動地以漂亮的電子表格的方式將它們打開。你也可以在一個文本編輯器中打開CSV文件,如果你樂意看到它的原始值的話。
Python有一個內置的csv 模塊,你可以用它來讀寫CSV文件。在這里我們將用它從我們由PDF中提取的文本來創建一個CSV。讓我們看一下代碼:
這個例子中,我們引入了Python的csv庫。除此以外,引入的庫和前一個例子相同。在函數中,我們利用CSV文件路徑創建了一個CSV文件處理器。然后用文件處理器作為唯一的參數初始化了一個CSV寫入器對象。接著像之前一樣遍歷了PDF頁。這里唯一的不同就是我們將前100個字符分割成了單個的詞。這將允許我們擁有一些真實的數據來加入到CSV中。如果不這樣做,那么每一行將只會有一個元素在其中,那就不算一個真正的CSV文件了。最后,我們將一列單詞寫入CSV文件中。
這就是得到的結果:
我認為這個例子同JSON或XML的例子相比讀起來難了點,但是它不算太難。現在讓我們繼續來看一下怎樣才能將圖片從PDF中提取出來。
不幸的是,并不存在Python包可以真正地做到從PDF中提取圖片。我找到的最接近的東西是有一個叫minecart的項目宣稱可以做到這一點,但是它只在Python 2.7上有效。我沒法使其運行于我的PDF樣本。在Ned Batchelder的博客上有一篇文章談到了一點兒如何從PDF中提取JPG圖片。代碼如下:
這同樣對我使用的PDF文件無效。有一些人在留言中宣稱代碼對他們的一些PDF文件有效,同時也有一些留言例舉了修改后的代碼。Stack Overflow網站上有關于這個的各種代碼,其中一些這樣或那樣地使用了PyPDF2。但沒有一個對我有效。
我的建議是使用一個類似于Poppler 的工具來提取圖片。Poppler有一個工具叫做pdfimages,你可以同Python的subprocess模塊一起來使用。以下是你如何在沒有Python的情況下使用它:
請確保images文件夾(或你想新建的任何輸出文件夾)已經被創建,因為pdfimages不會為你創建它。
讓我們寫一個Python腳本來執行同樣的命令,請確保輸出文件夾已經存在:
在這個例子中,我們引入了subprocess和os模塊。如果輸出路徑不存在,我們會嘗試創建它。然后我們運用subprocess的call函數來執行pdfimages命令。使用call函數是因為它將等到 pdfimages命令完全執行完才返回。你可以代之以Popen,但是那將基本上在后臺運行命令進程。最后,我們打印出輸出路徑下的細節,以確定所有的圖片都被提取進了其中。
還有一些網絡上的其它文章引用了一個叫做Wand 的庫,你也許可以試一試。它是一個ImageMagick的包裝器。還有一個值得關注的是綁定了Poppler的Python叫做pypoppler,雖然我沒有能夠找到任何和這個包相關的提取圖片的例子。
這篇文章網羅了很多信息。我們學習了一些可以用來從PDF中提取文本的包,如PDFMiner或Slate。我們還學習了如何運用Python的內置庫來導出文本到XML、JSON和CSV。最后,我們研究了一下從PDF中導出圖片這個棘手的問題。盡管Python目前沒有任何出色的庫可以完成這個工作,你可以采用其它工具的變通方案,例如Poppler的pdfimage工具模塊。
原文標題:
Exporting Data From PDFs With Python
原文鏈接:
https://dzone.com/articles/exporting-data-from-pdfs-with-python
譯者簡介
季洋,蘇州某IT公司技術總監,從業20年,現在主要負責Java項目的方案和管理工作。對大數據、數據挖掘和分析項目躍躍欲試卻苦于沒有機會和數據。目前正在摸索和學習中,也報了一些線上課程,希望對數據建模的應用場景有進一步的了解。不能成為巨人,只希望可以站在巨人的肩膀上了解數據科學這個有趣的世界。
— 完 —
關注清華-青島數據科學研究院官方微信公眾平臺“THU數據派”及姊妹號“數據派THU”獲取更多講座福利及優質內容。
y_web.py(更新)
tml2pdf
Selenium 通過使用 WebDriver 支持市場上所有主流瀏覽器的自動化。 Webdriver 是一個 API 和協議,它定義了一個語言中立的接口,用于控制 web 瀏覽器的行為。 每個瀏覽器都有一個特定的 WebDriver 實現,稱為驅動程序。 驅動程序是負責委派給瀏覽器的組件,并處理與 Selenium 和瀏覽器之間的通信。
這種分離是有意識地努力讓瀏覽器供應商為其瀏覽器的實現負責的一部分。 Selenium 在可能的情況下使用這些第三方驅動程序, 但是在這些驅動程序不存在的情況下,它也提供了由項目自己維護的驅動程序。
Selenium 框架通過一個面向用戶的界面將所有這些部分連接在一起, 該界面允許透明地使用不同的瀏覽器后端, 從而實現跨瀏覽器和跨平臺自動化。
# selenium 驅動
https://selenium-python.readthedocs.io/installation.html#drivers
https://selenium-python.readthedocs.io/api.html
<dependency>
<groupId>org.seleniumhq.selenium</groupId>
<artifactId>selenium-java</artifactId>
<version>4.16.1</version>
</dependency>
// 獲取 java 版本
String version=System.getProperty("java.specification.version");
// 獲取系統類型
String platform=System.getProperty("os.name", "");
platform=platform.toLowerCase().contains("window") ? "win" : "linux";
// 當前程序目錄
String current=System.getProperty("user.dir");
System.out.println("current:" + current);
// firefox 運行參數配置
FirefoxOptions options=new FirefoxOptions();
// 無頭模式
options.addArguments("--headless");
// 最大化
options.addArguments("--start-maximized");
FirefoxDriver browser=new FirefoxDriver(options);
Path url=Paths.get(current, "..", "index.html");
System.out.println("url:" + url.toString());
// NOTE 要使用 file 協議
browser.get(String.format("file://%s", url.toString()));
// 打印設置
PrintOptions print=new PrintOptions();
Pdf pdf=browser.print(print);
// pdf base64 內容
String content=pdf.getContent();
// 解碼內容
Base64.Decoder decoder=Base64.getDecoder();
byte[] buffer=decoder.decode(content);
try {
// 將 byte 寫入文件
Path file=Paths.get(String.format("java%s_%s.pdf", version, platform));
Files.write(file, buffer);
} catch (IOException e) {
throw new RuntimeException(e);
} finally {
browser.quit();
}
selenium/java11_linux.pdf · yjihrp/linux-html2pdf-demo - Gitee.com
selenium/java11_win.pdf · yjihrp/linux-html2pdf-demo - Gitee.com
測試結果
下一篇 6-LINUX HTML 轉 PDF-selenium-python
*請認真填寫需求信息,我們會在24小時內與您取得聯系。