【记录】Python3｜将 PDF 转换成 HTML/XML（✅⭐pdfminer.six）

shandianchengzi

已于 2024-04-30 20:59:04 修改

阅读量1k

点赞数 30

分类专栏： # 琐碎小记录科普文章标签： pdf html xml python

于 2024-04-30 00:22:05 首次发布

本文链接：https://blog.csdn.net/qq_46106285/article/details/138095328

版权

琐碎小记录同时被 2 个专栏收录

73 篇文章 4 订阅

订阅专栏

科普

62 篇文章 8 订阅

订阅专栏

本文将会被汇总至【记录】Python3｜2024年 PDF 转 XML 或 HTML 的第三方库的使用方式、测评过程以及对比结果（汇总），更多其他工具请访问该文章查看。

注意！pdfminer.six 和 pdfminer3k 不是同一个！！！

文章目录

PDFMiner.six 使用体验与评估

PDFMiner.six 使用体验与评估

Github 阅读：https://github.com/shandianchengzi/PDF2HTML_Samples/blob/main/results/pdfminer.six.md
CSDN 阅读：【记录】Python3｜将 PDF 转换成 HTML/XML（✅⭐pdfminer.six）

参考：PDF 到 HTML/XML 转换 Python 库 - pdfminer.six 入门

1 安装指南

要使用 PDFMiner.six，您可以通过 Python 的包管理工具 pip 进行安装。在命令行中执行以下命令：

pip install pdfminer.six

2 测试代码

为了帮助您更好地理解 PDFMiner.six 的用法，我提供了一个测试代码示例。您可以在以下 GitHub 仓库中找到相关代码和样本文件：https://github.com/shandianchengzi/PDF2HTML_Samples/tree/main/python_samples/test_pdfminer_six。

其目录结构如是：

在这里插入图片描述

3 测试结果

3.1 转 html 的结果

实质就是把每一行转成 span 元素，没有任何节点嵌套等格式。

PDFMiner.six 在将 PDF 转换为 HTML 时，主要将每一行文本转换为 <span> 元素，而不包含任何节点嵌套或格式化信息。这种简单的转换方式使得生成的 HTML 缺乏结构和语义信息。

在测试过程中，我尝试转换了一些包含纯表格和文字+表格的页面，并观察了转换结果。纯表格页面的转换结果并不理想，生成的 HTML 结构混乱，难以阅读。而文字+表格的页面转换结果相对较好，但仍存在一些问题，如表格结构不完整、文字排版混乱等。

纯表格页面的结果（看到结果的我都笑了，这什么玩意）：

在这里插入图片描述

文字+表格的页面的结果：

在这里插入图片描述

3.2 转 xml 的结果

实质就是把每一个字转成 text 元素，没有任何节点嵌套等格式。

与 HTML 转换类似，PDFMiner.six 在将 PDF 转换为 XML 时，也是将每个字符转换为 <text> 元素，而不包含任何节点嵌套或格式化信息。这使得生成的 XML 文件非常庞大且难以阅读。

在测试过程中，我尝试查看转换后的 XML 文件，但由于其结构过于复杂且每个节点只是一个字母或符号，因此很难直接阅读和理解。通过在线 XML 元素查看器查看时，可以更加清晰地看到每个节点的结构和内容，但仍然需要一定的耐心和技巧。

众所周知，xml 文件是无法直接查看的，它只是个方便记录数据的、和 html 长得差不多但是小很多的文件。

文字+表格的页面的结果（直接查看结果，实话说看到这里我就知道凉透了）：

在这里插入图片描述

文字+表格的页面的结果（通过在线 XML 元素查看器查看，简直了。。每个节点只是一个字母或者符号）：

在这里插入图片描述

4 总体评价：✅⭐

能跑，没用。

经过测试和使用体验，我认为 PDFMiner.six 的表现并不理想。虽然它能够成功安装并运行，但生成的 HTML 和 XML 结果存在较多问题，如结构混乱、缺乏语义信息等。

经过进一步了解，我发现 PDFMiner.six 是专为 Python 2 设计的工具，而在 Python 3 中的支持并不完善。这可能是导致其表现不佳的主要原因之一。详见 https://pypi.org/project/pdfminer/

Warning: Starting from version 20191010, PDFMiner supports Python 3 only. For Python 2 support, check out pdfminer.six. https://pypi.org/project/pdfminer/

因此，我建议在使用 PDFMiner.six 时，需要注意以下几点：

确认您的 Python 版本是否为 2.x，否则不如用别的工具；
如果需要转换包含复杂结构和格式的 PDF 文件，可能需要考虑使用其他更成熟的工具或库；
在进行转换之前，最好先对 PDF 文件进行一些预处理操作，如拆分页面、识别文字等，以提高转换质量。

本文将会被汇总至【记录】Python3｜2024年 PDF 转 XML 或 HTML 的第三方库的使用方式、测评过程以及对比结果（汇总），更多其他工具请访问该文章查看。

本账号所有文章均为原创，欢迎转载，请注明文章出处：https://blog.csdn.net/qq_46106285/article/details/138095328。百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问出处以查看本文的最新版本。