生活_傻大方

  1. 首页 > 潮·科技 > >

教你用python轻松解析XML和PDF，一文够了，赶紧码住( 二 )

输出结果：
教你用python轻松解析XML和PDF，一文够了，赶紧码住文章插图
ElementTree 方式解析Python 提供了两种 ElementTree 的实现方式 。

  1. 纯 Python 实现的 xml.etree.ElementTree
  2. C 语言实现 xml.etree.cElementTree ， 使用 C 语言实现的方式速度更快且内存消耗更少 。
Python3.3 之后 ， ElemenTree 模块会自动优先使用 C 加速器 ， 如果不存在 C 实现 ， 则会使用 Python 实现 。 因此 ， 使用 Python3.3+ 时 ， 只需要 import xml.etree.ElementTree 即可 。 下面看一下示例 。
import xml.etree.ElementTree as ETtree = ET.parse("test.xml")# 根节点root = tree.getroot()# 标签名print('root_tag:',root.tag)for stu in root:# 属性值print ("stu_name:", stu.attrib["name"])# 标签中内容print ("id:", stu[0].text)print ("name:", stu[1].text)print("age:", stu[2].text)print("gender:", stu[3].text)输出结果：
教你用python轻松解析XML和PDF，一文够了，赶紧码住文章插图
Python 解析 PDF用 Python 如何解析 PDF， 从它的表现来看 ， 它更像是一张图片 ， 在一张白纸上把内容摆放在固定的位置上 ， 没有逻辑结构 。
正是因为 PDF 没有统一的规范 ， 也没有逻辑结构 ， 比如句子或段落 ， 并且不能自适应页面大小的调整 。 今天要介绍的 PDFMiner 尝试通过猜测它们的布局来重建它们的结构 ， 但是并不能保证一定能识别成功 ， 尤其是对图片和表格的识别处理会差一些 。
安装 PDFMiner解析 PDF 需要用到 pdfminer 库 ， 目前最新版本只支持 Python3.6 及以上， 执行如下安装命令：
C:\Users\Y>pip install pdfminerLooking in indexes: Collecting pdfminerDownloading(4.2MB)|████████████████████████████████| 4.2MB 930kB/sCollecting pycryptodome (from pdfminer)Downloading(14.1MB)|████████████████████████████████| 14.1MB 3.3MB/sBuilding wheels for collected packages: pdfminerBuilding wheel for pdfminer (setup.py) ... doneCreated wheel for pdfminer: filename=pdfminer-20191125-cp37-none-any.whl size=6140080 sha256=9a1c9db96fae1c4231b2272f6edce3e8ebf92645bdb0a318e0952d751b3d70bfStored in directory: C:\Users\Y\AppData\Local\pip\Cache\wheels\95\e4\2f\493db6cf7b26fd7b962c543b0560cbc13d42193890a39a1c65Successfully built pdfminerInstalling collected packages: pycryptodome, pdfminerSuccessfully installed pdfminer-20191125 pycryptodome-3.9.8OK ， 如果提示以上信息则安装成功 。
解析概述由于PDF文件有如此大和复杂的结构 ， 完整解析 PDF 文件很费时费力的 。 因此 PDFMiner 采用了一个懒惰分析的策略 ， 就是只分析你所需要的部分 。 换句话就是说 ， 根据你自己的需要只解释出你要的那部分就可以了 。 这里有两个核心类是必须的 PDFParser 和 PDFDocument ， 除了这两个模块还有以下几个模块来配合使用 。
模块名说明PDFParser从文件中获取数据PDFDocument存储文档数据结构到内存中PDFPageInterpreter解析page内容PDFDevice把解析到的内容转化为你需要的东西PDFResourceManager存储共享资源 ， 例如字体或图片等
下面这个图表示了 PDFMiner 各模块之间的关系：
教你用python轻松解析XML和PDF，一文够了，赶紧码住文章插图
基本用法首先我准备了一个 pdf 格式的文档 ， 内容基本如下图这样：
教你用python轻松解析XML和PDF，一文够了，赶紧码住文章插图
下面这段代码给出了 PDFMiner 解析 PDF 文档的基本方法：
  • 打开 pdf 文件 ， 创建解析对象 ， 存储文档结构 ， 创建资源管理对象以及共享资源
  • 再创建 device 对象
  • 再创建文档解析对象 ， 并处理文档中的每一页
是不是看起来很复杂 ， 不过确实也挺麻烦 ， 还是让我们直接看代码吧 。
# 导入库from pdfminer.pdfparser import PDFParserfrom pdfminer.pdfdocument import PDFDocumentfrom pdfminer.pdfpage import PDFPagefrom pdfminer.pdfpage import PDFTextExtractionNotAllowedfrom pdfminer.pdfinterp import PDFResourceManagerfrom pdfminer.pdfinterp import PDFPageInterpreterfrom pdfminer.pdfdevice import PDFDevicefrom pdfminer.layout import LAParamsfrom pdfminer.converter import PDFPageAggregator# 设置文档密码password = ''#打开pdf文件fp = open('pdf_test.pdf','rb')#从文件句柄创建一个pdf解析对象parser = PDFParser(fp)#创建pdf文档对象 ， 存储文档结构document = PDFDocument(parser,password)#创建一个pdf资源管理对象 ， 存储共享资源rsrcmgr = PDFResourceManager()#创建一个device对象device = PDFDevice(rsrcmgr)#创建一个解释对象interpreter = PDFPageInterpreter(rsrcmgr, device)#处理包含在文档中的每一页for page in PDFPage.create_pages(document):interpreter.process_page(page)



上一篇：［分享］LRC歌词批量下载工具

下一篇：python开发之HighGUI上位机开发（二）