`
fudehai001
  • 浏览: 498851 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

python 搜索 PDF文件 内容

阅读更多
我想做个小东东,需要读取pdf文件的文本内容,然后搜索某个关键词,返回这个关键词所在的页的页码,折腾我好几天了。首先看上了pypdf,啃了半天
洋文,发现这东西只能分割合并pdf文件,读取pdf文件的作者、标题等信息。然后又琢磨ReportLab,硬啃洋文,发现这东西主要是生成pdf文
件,好像也没有读取的方法(生成和读取难道是不相干的吗?),于是又在论坛一阵狂搜,发现有仁兄跟我类似的需要,高人指点他去研究poppler,我放
狗一搜,找到poppler的介绍页面,看到“The documentation is actually missing, help
wanted ”,心里就拔凉拔凉滴,俺是新手,有文档都要尚且研究半天,何况没文档啊,那是神人做的事啊,各位大侠,能否给指点一条明路,已经
折腾我好几天了,还没搞定?我只是想用python读取一下pdf文件的文本内容啊。
--~--~---------~--~----~------------~-------~--~----~
来自: `python-cn`:CPyUG ~ 华蟒用户组 | 发言:python-cn@...
退订: http://tinyurl.com/45a9tb /针对163/qq邮箱:http://tinyurl.com/4dg6hc
详情: http://groups.google.com/group/python-cn
严正: 理解列表! 智慧提问! http://wiki.woodpecker.org.cn/moin/AskForHelp
-~----------~----~----~----~------~----~------~--~---

1,poppler-utils 里边有 pdftotext、pdftohtml、pdfinfo 等工具用于提取 pdf 内容 。

下载了pypoppler-0.10.0.tar.gz,发现里面的文件没有setup.py,不能用python
setup.py install,而是linux下的install-sh的安装方式,我的是window xp系统,应该怎么安装呢?
安装 mingw、msys、python-dev,gtk-dev,pygtk-dev
不过应该还是 os.popen 调用 pdftotext.exe 简单

2,PDFminer比pdftoexe强太多了,正是我想要的。

----------------------------------------------------------------------------

最新免费的python开源项目

1、用python来做一个蜘蛛程序抓取网页,有了urllib库,真是太简单了。另外网页的解析也有相应的库sgmllib可以使用。不过还不知道python的sgmllib有没有类似 Jtidy 的规范html代码的功能,或者是有另外的库来干这事。

比较有名气的:

Harvest Man——http://code.google.com/p/harvestman-crawler/

HarvestMan is a modular, extensible and flexible web crawler program cum framework written in pure Python. HarvestMan can be used to download files from websites according to a number of customized rules and constraints. It can be used to find information from websites matching keywords or regular expressions.

The final goal of the project is to develop a full-fledged semantic personal data mining platform which can be used to retrieve information from the Internet in a highly customizable manner, so that one can fetch information from the web the way he wants it, when he wants it. For this, HarvestMan project will provide support for Web 2.0 and 3.0 technologies such as RSS, RDF, OWL etc. (这个目标还真是大啊,要是真的可以做到那就真是牛逼。)

另外,还有一些小的项目,用Google code或者 sourceforge.net搜索,就可以找到。

举个例子:

http://code.google.com/p/supercrawler/

2、对pdf文件的操作,C++,c#和java都有一些开源的类库可以使用。比如:pdflib,itext,pdfclown,pdfbox.

他们可以实现pdf文件的解析,并实现pdf与rtf html xml等格式之间的相互转换。

今天发现了一个可以操作pdf的python库: pdfminer.

http://code.google.com/p/pdfminerr/

不知道有没有其他的库。希望高手补充。

3、有了pdf的操作库,可以轻松实现对pdf文件内容的有目的的抽取。

这里有一个抽取文献的参考文献的例子:

pdf2ref

http://code.google.com/p/pdftoref/

This project aims to develop an efficient rule based extractor of entries of references, located in scientific articles in English language. The application takes a pdf file or a directory of pdf and then returns an html file, containing the list of all entries with their respective title. Moreover the title of the article cited is searched through Google Web Service to get the URL that identifying the article on the web. If the URL provides on the page a Bibtex entry, this will appear in the html output under the relative entries, stolen from some typical site like citeseer, ieeexlpore etc. The application does not make search over pdf file based on images.
分享到:
评论
1 楼 jimmyxt 2009-11-03  
你好,我最近也在研究python 搜索 pdf文档 内容的方法,一直没有找到。
而你这篇文章也没有写具体的方法,所以请你能详细的写一下方法,
万分感谢。

相关推荐

    Python处理PDF及生成多层PDF实例代码

    ### Python处理PDF及生成多层PDF实例代码 ...对于需要生成包含扫描图像内容的可搜索PDF的应用场景,`Reportlab`显然是一个更好的选择。希望本文能帮助读者更好地理解和运用Python处理PDF的技术,进一步提升工作效率。

    python批量提取PDF中的表格到Excel文档

    os :用于获取pdf文件 pdfplumber :用于操作pdf文件 openpyxl :用于操作excel文件 实现步骤: 1、获取PDF文件列表 2、遍历文件列表,读取PDF文档 3、提取PDF中的表格 4、创建Excel工作表 5、向工作表中添加数据 6...

    python项目实例代码源码-用Python将PDF文件转存为图片.zip

    本项目实例代码源码是关于使用Python将PDF文件转换为图片的实践应用,这在许多场景下都非常实用,例如预览PDF内容、网页展示或者进行自动化处理。下面将详细解释这个过程涉及的技术点。 首先,我们需要了解Python中...

    Python-用于从PDF文件中提取表单的一组工具

    在给定的标题"Python-用于从PDF文件中提取表单的一组工具"中,我们关注的是使用Python进行PDF文档处理,特别是从含有表单的PDF文件中提取数据。这种需求在诸如数据分析、文档自动化、信息检索等场景中非常常见。 ...

    python拼接PDF.pdf

    4. 对于数组中的每一个PDF文件,创建一个PDF阅读器`pdfReader`对象,用于读取PDF文件内容,并创建一个PDF写入器`pdfWriter`对象,用于写入新的PDF文件。 5. 遍历PDF文件的每一页,使用`pdfWriter.addPage(pdfReader...

    Think in python中英文对照pdf文件

    文件"thinkpython-20130928.pdf"就是这个中英文对照版的PDF文档,包含了完整的内容。在学习时,读者可以通过PDF阅读器的书签、搜索等功能快速定位到想要了解的部分。同时,PDF格式保证了排版的美观和一致性,方便在...

    Professional-Python.pdf.pdf

    根据提供的文件信息,文档标题为《Professional-Python.pdf》,文档描述为《Professional-Python.pdf》。同时,文档中出现了文件的目录结构,它被分为几个部分,每个部分包含若干章节,涵盖了Python编程的各个方面。...

    Python教程.pdf

    通过模块,Python允许开发者将代码组织成独立的文件,并且可以像操作普通Python文件一样导入模块。 Python的异常处理机制是通过try-except语句来实现的,它允许程序能够优雅地处理错误情况,继续执行而不是直接崩溃...

    python的PyPDF2库实现的PDF文件转换为TEXT源代码

    PyPDF2库是一个功能强大的Python库,可用于处理PDF文件。其主要功能之一是将PDF文件...PyPDF2库还支持对PDF文件进行页面旋转、加密和解密操作,使用户可以更灵活地管理和保护PDF文件内容。是一个多功能且易于使用的工具

    _leetcode-python.pdf

    标题“_leetcode-python.pdf”所指的知识点: 该标题表明此文件是一份关于LeetCode的Python解题集。LeetCode是一个面向程序员的在线编程题库,提供各种编程语言的算法和数据结构题目,用于帮助编程者提升技能,尤其...

    基于Python实现将PDF文件转存为图片

    本篇文章将详细探讨如何使用Python编程语言将PDF文件转换为图片。Python提供了一些强大的库,如PyPDF2用于读取PDF内容,以及PIL(Python Imaging Library)或其更新版本Pillow,用于处理图像并将其保存为图片格式。 ...

    selenium-python.pdf

    ### Selenium Python Bindings 第二版概述 #### 一、安装指南 **1.1 引言** Selenium Python bindings 提供了一个简洁的 API 来控制 Selenium WebDriver 的操作。WebDriver 是一个独立的应用程序,用于与浏览器...

    Python Hack.pdf

    从给定的文件信息来看,主要内容集中在Python编程语言的基础介绍及其在网络安全领域的潜在风险与攻击方式,特别是Python在Web安全中的应用。以下是对文件中提到的关键知识点的详细解析: ### 关于Python #### ...

    PHP实现在线阅读PDF文件的方法

    在实际应用中,还可以结合数据库来管理大量的PDF文件,并通过Web界面提供搜索和分类查看的功能。 综上所述,PHP实现在线阅读PDF文件的方法涉及到了PHP基础操作、文件处理、HTTP协议、服务器配置以及安全防护等多个...

    Bioinformatics Programming Using Python.pdf.pdf

    根据给定文件信息,该文档标题为《Bioinformatics Programming Using Python.pdf》,描述为《Bioinformatics Programming Using Python.pdf》,而标签则标记为“综合文档”。文档中的一些内容片段揭示了书中的一些...

    基于Python的分布式文件共享系统的实现.pdf

    因此,本文着重于利用Python语言,采用分布式程序设计概念来构建一个文件共享网络平台,旨在对传统文件共享方式的补充,并尝试进行创新。 文章介绍了基于Python的分布式文件共享系统的实现方法。分布式文件共享系统...

Global site tag (gtag.js) - Google Analytics