PDFPlumber学习

import pdfplumber
with pdfplumber.open("path/to/file.pdf") as pdf:
    first_page = pdf.pages[0]
    print(first_page.chars[0])

读取PDF

pdfplumber有两个方式：返回的是pdfplumber.PDF的实例

pdfplumber.open("路径")

pdfplumber.load()(这个不会)

pdfplumber.PDF

表示：单个PDF

属性：.metadata和.pages

.metadata：用于获取PDF文件的元数据。元数据是关于文档的描述性信息，如标题、作者、创建日期等。

用法:

1. 首先，你需要使用pdfplumber打开一个PDF文件并创建一个PDF对象，如：pdf = pdfplumber.open(‘example.pdf’)。
2. 然后，你可以使用metadata属性来访问PDF文件的元数据，如：metadata = pdf.metadata。

import pdfplumber

# 打开PDF文件
pdf = pdfplumber.open('example.pdf')

# 获取PDF文件的元数据
metadata = pdf.metadata

# 打印元数据
print(metadata)

# 关闭PDF文件
pdf.close()

      

输出结果可能是一个包含PDF文件元数据的字典，例如：

{
    'Title': 'Example PDF',
    'Author': 'John Doe',
    'Subject': 'An example PDF document',
    'Keywords': 'pdfplumber, example',
    'Producer': 'PDFlib 9.1.2 (C++/Win64)',
    'Created': '2021-01-01T12:00:00Z',
    'Modified': '2021-01-02T09:30:00Z'
}

      

上述例子中，metadata字典包含了PDF文件的标题、作者、主题、关键词、生成器、创建日期和修改日期等信息。

.pages：用于获取PDF文件中的所有页面。它返回一个Page对象的列表，每个Page对象代表PDF文件中的一页。

用法:

1. 首先，你需要使用pdfplumber打开一个PDF文件并创建一个PDF对象，如：pdf = pdfplumber.open(‘example.pdf’)。
2. 然后，你可以使用pages属性来获取PDF文件中的所有页面，如：pages = pdf.pages。

import pdfplumber

# 打开PDF文件
pdf = pdfplumber.open('example.pdf')

# 获取PDF文件中的所有页面
pages = pdf.pages

# 打印页面数量
print(len(pages))

# 遍历所有页面并打印文本内容
for page in pages:
    text = page.extract_text()
    print(text)

# 关闭PDF文件
pdf.close()

      

上述例子中，我们首先打开一个名为example.pdf的PDF文件，并使用pages属性获取所有页面。然后，我们打印页面数量，并使用一个循环遍历所有页面并提取文本内容进行打印。

页面索引是从0开始的，所以第一页可以通过索引0来访问，例如：pages[0]。每个页面都是一个Page对象，你可以使用Page对象的方法和属性来进行操作，如提取文本、提取表格、提取图像等。

pdfplumber.page类的属性：

.page_number: 页码顺序，从1 开始

.width: 页面宽度

.height: 页面高度

.objects/.chars/.lines/.rects/.curves/.figures/.images等

pdfplumber.page类的方法：

.crop(bounding_box): 返回裁剪后的页面，bounding_box对象是四元组（x0, top, x1, bottom）落在边框内的都会被涵盖

.within_bbox(bounding_box): 和上一个相似，但是指挥涵盖全部落在边框内的部分

.filter(test_function)：

（可以使用这个过滤简历当中的特定关键字如“java”"前端"“算法工程师”等，将一整页的PDF浓缩成由“特定关键词”构成的字符串，如技能字符串、职位字符串）

（缺点是有点慢：有很多关键词是不是要遍历这一页很多遍才能全部提取出来，才能全部放进去一个字符串？）

含义：pdfplumber.Page.filter(test_function)是pdfplumber库中Page对象的方法，用于根据指定的条件过滤页面中的文本元素，并返回一个新的Page对象。

用法：filter()的参数test_function是一个函数，该函数将用于对页面中的每个文本元素进行测试。函数返回值为True的文本元素将被保留，返回值为False的文本元素将被过滤掉。

import pdfplumber

# 打开PDF文件
with pdfplumber.open("document.pdf") as pdf:
    # 获取第一页
    first_page = pdf.pages[0]

    # 定义一个函数，用于判断文本元素是否包含特定关键字
    def contains_keyword(element):
        return "important" in element["text"]

    # 使用filter()过滤出包含特定关键字的文本元素
    filtered_page = first_page.filter(contains_keyword)

    # 打印过滤结果
    print(filtered_page.extract_text())

      

在上面的例子中，我们使用pdfplumber库打开一个PDF文件，并获取第一页。然后，定义了一个名为contains_keyword的函数，用于判断文本元素是否包含特定关键字"important"。接下来，使用filter()方法对第一页进行过滤，保留包含特定关键字的文本元素。最后，使用extract_text()方法提取过滤结果的文本内容，并打印出来。

注意：pdfplumber库是用于处理PDF文件的库，Page对象表示PDF中的一页。filter()方法用于过滤Page对象中的文本元素，而不是过滤整个PDF文件。

.extract_text(x_tolerance = 0,y_tolerance = 0):将页面的所有字符对象整理到一个字符串中。若两个字符之间的差大于x_tolerance就添加空格，若大于y_tolerance就添加换行符。

（应该用不上，我们的简历PDF是要从争端的文字中提取出精确的关键词，技能的关键词和期待职位的关键词）

（不确定的是：关于个人信息层面的信息会不会用得到）

对象：pdfplumber.PDF和pdfplumber.Page的实例

提供了四种操作对象的方法。

.chars代表每一个独立的字符

.annos注释里的每一个独立的字符

.lines一个独立的一维的线

.rects一个独立的二维矩形

.curves一系列连接的点

.images一个图像

可视化：

（boss在得到系统推荐的人之后，也可以点进去查看个人的技能图片，进行具体的了解）

使用pdfplumber的可视化调试工具需要额外用到两个工具

• ImageMagick，安装指南http://docs.wand-py.org/en/latest/guide/install.html#install-imagemagick-debian

页面使用.to_image()创建PageImage,如 im = my_pdf.pages[0].to_image(resolution = 150)(参数默认72，不知道啥意思)

基础的用法：

im.reset()   清除目前已经绘制的所有内容

im.copy()   将图像复制到新的PageImage对象

im.save(path_or_fileobject, format = "PNG")   保存带注释的图像  

绘图方法：