PDF主要由三项技术组成#xff1a;衍生自PostScript#xff1b;字型嵌入系统#xff1b;资料压缩及传…Python

操作PDF文档

PDF主要由三项技术组成衍生自PostScript字型嵌入系统资料压缩及传输系统。

它的优点在于跨平台、能保留文件原有格式Layout、开放标准能免版税Royalty-free自由开发PDF相容软体是一个开放标准2007年12月成为ISO

Mac

易于阅读不同平台、不同阅读软件打开不会出错或变形以及转换成PDF后可以避免其他软件产生的不兼容和字体替换问题使得文档的灵活性提高。

不易编辑PDF是板式文档可防止他人无意中触到键盘修改文件内容。

PostScript

信息丰富PDF文件格式可以将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。

该格式文件还可以包含超文本链接、声音和动态影像等电子信息。

1.1.

大多数组织以PDF形式发布其数据。

随着AI的发展我们需要更多数据来进行预测和分类。

本文将简要介绍如何使用Python处理PDF。

Python处理PDF的第三库也有很多主要有

PDFMiner

Python中用于PDF处理的库。

容易安装也容易使用。

PDFMiner为非程序员提供命令实用程序为程序员提供API接口。

PyPDF

PDF库是可扩展的。

可以从pdf中提取文本裁剪然后将PDF文档与加密和解密功能合并。

PyPDF有很多版本。

在PyPDF4之前PyPDF2更加流行。

目前都已经合并到

pypdf

与上面两个提及非常相似。

除了这种相似性之外pdfrw还具有自己的USP唯一卖点。

pdfrw一个替代的PDF操作包。

Patrick

Maupin创建了一个名为pdfrw的软件包它可以完成许多与PyPDF2相同的工作。

除了加密的特殊情况外本文后面提到PyPDF2的所有操作pdfrw均可以实现。

pdfrw的最大区别在于它与ReportLab软件包集成因此你可以使用一些或所有预先存在的PDF构建一个新的PDF。

Slate

Reportlab的特长在于创建PDF文件尤其是程序动态生成PDF文件的功能十分强大但是遗憾的是开源版本没有提供读取PDF文件的相关功能。

pyMuPDF

MuPDF可以访问PDFXPSOpenXPSCBZEPUB和FB2电子书格式的文件并且以其最佳性能和高渲染质量而著称。

tabula-py

是专门用来提取PDF表格数据的同时支持PDF导出为CSV、Excel格式但是这工具是用

java

最初的pyPdf软件包于2005年发布。

pyPdf的最后一个正式版本是在2010年。

大约一年后一家名为Phasit的公司赞助了一个名为PyPDF2的pyPdf分支。

该代码编写为向后与原始代码兼容并且用了好多年效果一直很好其最后一个版本是在2016年。

有一个名为PyPDF3的软件包简短系列版本然后该项目被重命名为PyPDF4。

Python

最新版本的PyPDF4支持PyPDF2的大多数功能但也有部分功能不兼容。

pypdf4主要功能

PDF库能够拆分合并裁剪和转换PDF文件的页面。

它还可以将自定义数据查看选项和密码添加到PDF文件。

它可以从PDF检索文本和元数据以及将整个文件合并在一起。

提取文档信息标题作者等

接下来使用PyPDF4对PDF文件进行读取需要注意的是他对英文的支持比较好如果读取中文就会出现乱码等问题在后面我们会介绍几个支持读取中文的库。

2.1.

PdfFileReader是一个具有多种与PDF文件交互的方法的类。

.getDocumentInfo()

它将返回DocumentInformation的实例,包含了我们感兴趣的大部分信息。

.getNumPages()

information这个变量具有多个实例属性可以使用这些属性从文档中获取所需的其余元数据。

我们可以打印出该信息并将其返回以备将来使用。

2.2.

open(‘postgis-essential-0423.pdf’,‘rb’)

pdfreader

print(page.extract_text().strip())

回答地理空间问题有很多工具或桌面应用系统。

这种方法虽然功能完备但不能同时回

答许多问题。

此外这种方法通常无法在一个数据集中有效地管理和操作大量的空间数据集

一旦需要可伸缩性、对大型数据集的支持以及直接输入机制大多数用户就会使用空间数

据库进行探索。

有几个可用的空间数据库软件一些是专有的另一些是开源的。

PostGIS

一个开源的空间数据库软件可能是所有空间数据库软件中最容易访问的。

PostGIS

户的需求其中所有所需的数据都在用户的组织领域中。

它们是专为处理

空间数据

有的、独立的系统应用程序和平面文件之间的耦合性非常高平面文件里的空间数据没有数

“关系型数据库

定优势。

问题是引擎与数据库内核独立难以利用数据库系统中已有的成熟的管理、访问技术

“扩展对象空间数据库系统”

page.extract_text().strip().splitlines()

print(idx,

idx_arr.append(len(pdfreader.pages))

print(idx_arr)

merger.append(fileobjpdfreader,

pages(qq,

pg[‘/Resources’][‘/XObject’][‘/Im1’]

getData()

方法可以获取它的数据直接以二进制模式写入文件即可保存。

再使用前面使用的pillow库查看

pg.values()

dict_values([IndirectObject(322,

140697627366992),

/usr/lib/python3/dist-packages/pypdf/generic/_data_structures.py:269,

key)

pg[‘/Resources’][‘/XObject’][‘/FXX1’]

im8

pg[‘/Resources’][‘/XObject’][‘/FXX1’].get_data()

with

pg[‘/Resources’][‘/XObject’][‘/FXX1’].get_data()

with

/usr/lib/python3/dist-packages/pypdf/generic/_data_structures.py:269,

key)