Python-数据处理-数据读取03

一，解析PDF格式文件

PDF 工具处理文档的方法有很多种，其中一种方法是将 PDF 转换成文本。anielle Cervantes 在 NICAR 上做了一个关于 PDF 工具的演讲， NICAR 是一个针对记者的 listserv1。这个演讲汇总了下列 PDF 解析工具：
• ABBYY’s Transformer
• Able2ExtractPro
• Acrobat Professional
• Adobe Reader
• Apache Tika
• Cogniview’s PDF to Excel
• CometDocs
• Docsplit
• Nitro Pro
• PDF XChange Viewer
• pdfminer
• pdftk
• pdftotext
• Poppler
• Tabula
• Tesseract
• xPDF
• Zamzar

除了上面这些工具，你还可以用许多编程语言来解析 PDF，其中包括 Python 。使用 slate 库的话，每次运行脚本都要对 PDF 进行解析。如果文件很大或很多的话，这种方法既浪费时间又浪费内存。因此使用PDFMiner解析PDF。

Python使用PDFMiner解析PDF

首先说明的是解析PDF是非常蛋疼的事，即使是PDFMiner对于格式不工整的PDF解析效果也不怎么样，所以连PDFMiner的开发者都吐槽PDF is evil. 不过这些并不重要。官方文档在此：http://www.unixuser.org/~euske/python/pdfminer/index.html

　　一.安装：

　　1.首先下载源文件包 http://pypi.python.org/pypi/pdfminer/，解压，然后命令行安装即可：python setup.py install

　　2.安装完成后使用该命令行测试：pdf2txt.py samples/simple1.pdf，如果显示以下内容则表示安装成功：

Hello World Hello World H e l l o W o r l d H e l l o W o r l d

     3.如果要使用中日韩文字则需要先编译再安装：　

# make cmap

python tools/conv_cmap.py pdfminer/cmap Adobe-CNS1 cmaprsrc/cid2code_Adobe_CNS1.txtreading 'cmaprsrc/cid2code_Adobe_CNS1.txt'...writing 'CNS1_H.py'......(this may take several minutes) 

# python setup.py install  

　二．使用

　由于解析PDF是一件非常耗时和内存的工作，因此PDFMiner使用了一种称作lazy parsing的策略，只在需要的时候才去解析，以减少时间和内存的使用。要解析PDF至少需要两个类：PDFParser 和 PDFDocument，PDFParser 从文件中提取数据，PDFDocument保存数据。另外还需要PDFPageInterpreter去处理页面内容，PDFDevice将其转换为我们所需要的。PDFResourceManager用于保存共享内容例如字体或图片。

 

Figure 1. Relationships between PDFMiner classes

  

比较重要的是Layout，主要包括以下这些组件：

LTPage