用Python将PDF转换为文本/HTML以便解析

Question

我有一段示例代码，用来从欧洲议会网站下载一个关于某个立法提案的PDF文件：

补充说明：最后我只是获取了链接，然后把它放到Adobe的在线转换工具里（见下面的代码）：

import mechanize
import urllib2
import re
from BeautifulSoup import *

adobe = "http://www.adobe.com/products/acrobat/access_onlinetools.html"

url = "http://www.europarl.europa.eu/oeil/search_reference_procedure.jsp"

def get_pdf(soup2):
    link = soup2.findAll("a", "com_acronym")
    new_link = []
    amendments = []
    for i in link:
        if "REPORT" in i["href"]:
            new_link.append(i["href"])
    if new_link == None:
        print "No A number"
    else:
        for i in new_link:
            page = br.open(str(i)).read()
            bs = BeautifulSoup(page)
            text = bs.findAll("a")
            for i in text:
                if re.search("PDF", str(i)) != None:
                    pdf_link = "http://www.europarl.europa.eu/" + i["href"]
            pdf = urllib2.urlopen(pdf_link)
            name_pdf = "%s_%s.pdf" % (y,p)
            localfile = open(name_pdf, "w")
            localfile.write(pdf.read())
            localfile.close()

            br.open(adobe)
            br.select_form(name = "convertFrm")
            br.form["srcPdfUrl"] = str(pdf_link)
            br["convertTo"] = ["html"]
            br["visuallyImpaired"] = ["notcompatible"]
            br.form["platform"] =["Macintosh"]
            pdf_html = br.submit()

            soup = BeautifulSoup(pdf_html)


page = range(1,2) #can be set to 400 to get every document for a given year
year = range(1999,2000) #can be set to 2011 to get documents from all years

for y in year:
    for p in page:
        br = mechanize.Browser()
        br.open(url)
        br.select_form(name = "byReferenceForm")
        br.form["year"] = str(y)
        br.form["sequence"] = str(p)
        response = br.submit()
        soup1 = BeautifulSoup(response)
        test = soup1.find(text="No search result")
        if test != None:
            print "%s %s No page skipping..." % (y,p)
        else:
            print "%s %s  Writing dossier..." % (y,p)
            for i in br.links(url_regex="file.jsp"):
                link = i
            response2 = br.follow_link(link).read()
            soup2 = BeautifulSoup(response2)
            get_pdf(soup2)

在get_pdf()这个函数里，我想把PDF文件转换成文本，这样我就可以从文本中提取关于立法程序的信息。有没有人能告诉我该怎么做？

托马斯

Answer 1

听起来你已经找到了解决办法，但如果你想在没有网络服务的情况下处理，或者需要根据PDF页面上数据的具体位置来抓取数据，我可以推荐我的一个库，pdfquery。这个库的主要功能是把PDF文件转换成一个lxml树结构，然后你可以把它输出为XML，或者用XPath、PyQuery等其他工具来解析。

使用这个库时，只要把文件保存到电脑上，你可以用 pdf = pdfquery.PDFQuery(name_pdf) 来加载它，或者如果你不需要保存文件，可以直接传入一个urllib文件对象。想要把数据输出为XML以便用BeautifulSoup解析，你可以使用 pdf.tree.tostring()。

如果你不介意使用类似JQuery的选择器，还有一个带有位置扩展的PyQuery接口，这样会很方便。例如：

balance = pdf.pq(':contains("Your balance is")').text()
strings_near_the_bottom_of_page_23 = [el.text for el in pdf.pq('LTPage[page_label=23] :in_bbox(0, 0, 600, 200)')]

Answer 2

这其实并不是魔法。我建议你：

• 先把PDF文件下载到一个临时文件夹，
• 然后用一个外部程序把里面的文字提取出来，存到一个（临时的）文本文件里，
• 最后读取这个文本文件。

关于提取文本的命令行工具，你可以参考很多选择，还有一些可能在链接里没有提到的（比如基于Java的）。先试试这些工具，看看哪个适合你的需求。也就是说，先分别尝试每一步（找到链接、下载文件、提取文本），然后再把它们组合起来。调用外部程序时，可以使用subprocess.Popen或subprocess.call()。