pdf读取内容

⑴ python怎样读取pdf文件的内容

1、首先要下载一个处理pdf的组件pdfminer，网络搜索去官网下载

2、下载完成解压以后，打开cmd进入用命令安装。python setup.py install 进行安装

3、我们来测试一下是否安装成功了，引入这个模块，运行一下代码，没有报错就说明安装成功了

4、官网有文档也有代码示例
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice

fp = open('mypdf.pdf', 'rb')
#创建一个PDF文档解析器对象
parser = PDFParser(fp)
#创建一个PDF文档对象存储文档结构
#提供密码初始化，没有就不用传该参数
document = PDFDocument(parser, password)
#检查文件是否允许文本提取
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
#创建一个PDF资源管理器对象来存储共享资源
rsrcmgr = PDFResourceManager()
#创建一个pdf设备对象
device = PDFDevice(rsrcmgr)
#创建一个PDF解析器对象
interpreter = PDFPageInterpreter(rsrcmgr, device)
#处理文档当中的每个页面
for page in PDFPage.create_pages(document):
interpreter.process_page(page)

5、我新建一个pdf，新输入一些内容

6、运行一下代码即可

⑵ java 如何读取PDF文件内容

import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
public class PdfReader {
public void readFdf(String file) throws Exception {
// 是否排序
boolean sort = false;
// pdf文件名
String pdfFile = file;
// 输入文本文件名称
String textFile = null;
// 编码方式
String encoding = "UTF-8";
// 开始提取页数
int startPage = 1;
// 结束提取页数
int endPage = Integer.MAX_VALUE;
// 文件输入流，生成文本文件
Writer output = null;
// 内存中存储的PDF Document
PDDocument document = null;
try {
try {
// 首先当作一个URL来装载文件，如果得到异常再从本地文件系统//去装载文件
URL url = new URL(pdfFile);
//注意参数已不是以前版本中的URL.而是File。
document = PDDocument.load(pdfFile);
// 获取PDF的文件名
String fileName = url.getFile();
// 以原来PDF的名称来命名新产生的txt文件
if (fileName.length() > 4) {
File outputFile = new File(fileName.substring(0, fileName
.length() - 4)
+ ".txt");
textFile = outputFile.getName();
}
} catch (MalformedURLException e) {
// 如果作为URL装载得到异常则从文件系统装载
//注意参数已不是以前版本中的URL.而是File。
document = PDDocument.load(pdfFile);
if (pdfFile.length() > 4) {
textFile = pdfFile.substring(0, pdfFile.length() - 4)
+ ".txt";
}
}
// 文件输入流，写入文件倒textFile
output = new OutputStreamWriter(new FileOutputStream(textFile),
encoding);
// PDFTextStripper来提取文本
PDFTextStripper stripper = null;
stripper = new PDFTextStripper();
// 设置是否排序
stripper.setSortByPosition(sort);
// 设置起始页
stripper.setStartPage(startPage);
// 设置结束页
stripper.setEndPage(endPage);
// 调用PDFTextStripper的writeText提取并输出文本
stripper.writeText(document, output);
} finally {
if (output != null) {
// 关闭输出流
output.close();
}
if (document != null) {
// 关闭PDF Document
document.close();
}
}
}
/**
* @param args
*/
public static void main(String[] args) {
// TODO Auto-generated method stub
PdfReader pdfReader = new PdfReader();
try {
// 取得E盘下的SpringGuide.pdf的内容
pdfReader.readFdf("E://SpringGuide.pdf");
} catch (Exception e) {
e.printStackTrace();
}
}
}

⑶ nodejs读取pdf并翻转内容保存pdf

nodejs读取pdf并翻转内容保存pdf需以下几个步骤。
1、启动windows命令行工具（windows下启巧坦动系统搜索功能，输入cmd回车就出来了）。穗没
2、查看环境变量是否已经自动配置，在命令行工具中输入node-v，如果出现v10字段，则说明成功安装Node.js。
3、在第三步发现输入node-v还是没有出现对应的字段，那么重启电脑即可。
4、打开本项目文件夹，打开命令行工具（孝族桐windows系统中直接在文件的url地址栏输入cmd就可以打开了），输入npmicnpmnodemon-g。
5、下载puppeteer爬虫包，在完成第五步后，使用cnpmipuppeteer--save命令下载。
6、完成第六步下载后，打开本项目的url.js，将您需要爬虫爬取的网页地址替换上去。
7、在命令行中输入nodemonindex.js即可爬取对应的内容，并且自动输出到当前文件夹下面的index.pdf文件中。

⑷ 怎么用java读取pdf文件内容

你可以把pdf转成word在进行读取
推荐使用转转大师pdf转word转换器，免费的在线工具
网络搜索下，在线免费转换就行了，不用下载注册，很方便

⑸ PDF格式的文档如何读取

分类: 电脑/网络
问题描述:

在网上搜索文档时,打开PDF格式文档会出现一些乱七乱八的字符.

解析:

如何把Adobe Acrobat 的PDF格式的文档转为Word能够读取、编辑的文档。对于这个问题，不少用户存在两种误解。一是认为Adobe Acrobat PDF文档是图形格式，无法被Word读取; 二是认为虽然PDF也包含文字代码信息，但Word没有相应的PDF格式转换器，所以无法读取。本文将向您介绍如何把PDF文档读入Word。

了解PDF文档

---- PDF文档到底是什么？

---- PDF是出版和图形领域的软件厂商Adobe制定的电子文档格式标准。Adobe为之提供了免费的文档浏览器--Adobe Acrobat Reader以及相应的编辑软件--Adobe Acrobat，后者可以对PDF文档中页面的组织、链接进行编辑，对文档进行批注等等。而Adobe的另外一款软件--Illustrator则可以从各个细致入微处修整PDF文件。与普通格式的电子文档(如纯文本、超文本、RTF格式以及Word文档等)相比，PDF文档具有能够完善保持版面样式、跨平台等优越性，所以国外许多组织机构在发放无需再次编辑的文件时通常选择使用PDF格式。在我国，许多电子书籍也开始采用PDF格式。

---- 创建PDF文件的典型方法并不是使用Illustrator等软件来编辑，而是先用普通的文字处理和桌面排版软件如Word、WordPerfect和PageMaker等编排好文档，然后通过Adobe的PDF Distiller或者PDF Writer等仿打印机引擎制作PDF文件。另外也有一些PDF文档是直接使用Adobe Acrobat配合扫描仪将原书稿扫描制作完成的，虽然该软件配有支持对多种西方文字进行光学字符识别(OCR)的插件，但是为了保证文字的可靠性，多数情况下采用这种方法制作的PDF文件没有进行字符识别。

---- 从以上的介绍我们可以看出，PDF文件中的文字存在两种可能性: 其一，可能是以计算机字符代码的形式被包裹在文件中; 其二，也可能只是一个页面图像中的像素组成的线条，没有字符代码信息。很明显，只有第一种PDF文档可以通过Word打开和编辑。

让Word读取PDF文档

---- 下面我们就来看一下如何让Word读取包含字符信息的PDF文档。由于Adobe公司在2000年就发布了4.x版本的Acrobat Reader，比以往的版本功能有所增强，所以我们就以这个版本为例来讨论。

---- 实际上，Word至今也没有PDF文档的转换器，因而无法对其直接读取。我们采用的还是"剪刀+浆糊"的办法。

---- 1．拷贝文字

---- 通常情况下，如果需要拷贝PDF中某一页面上的所有文字，您可以进行如下操作。

定位页面。

单击工具栏上的"Text Select Tool"按钮。

选择"Edit"*"Select All"，再选择"Copy"(如图1所示)。

切换到Word，按"粘贴"按钮(或Ctrl＋v)把内容贴到Word文档中。

--- 如果需要拷贝的是整篇PDF文档，则可以按照下面的步骤进行。

打开PDF文件后，选择"View"*"Continuous"(如图2所示)。

选择"Edit"*"Select All"。

拷贝选中的内容。

切换到Word，粘贴内容。

---- 使用这种方法拷贝到Word文档中的文字会保持基本的字符格式，比如粗体、斜体、字符大小等等，但是不会具有样式等方面的设置。对于较复杂的文档，可能需要耐心进行调整。

---- 2．拷贝图片

---- 如果需要拷贝PDF文档中的图片，首先要找出一个隐藏的工具按钮"Graphics Select Tool"。具体办法如下。

---- （1）按下"Text Select Tool"按钮，不要松开鼠标左键，该按钮会向右延展，显示出额外的几个按钮(如图3所示)。根据按钮的文字提示，选择正确的按钮(熟悉Photoshop、CorelDraw等绘图软件的用户对于这种一钮多用的情况并不陌生)。

---- （2）把鼠标指针移到PDF页面上，此时指针呈十字形。拖动选择好图片区域，拷贝。

---- （3）回到Word文档，粘贴即可。

---- 拷贝图片不仅支持拷贝PDF文档中的图片到Word，实际上，我们可以选择任意区域，如文字区、图片区、文字和图片混合区，拷贝后粘贴到Word中，它们都会被当作图片插入到Word文档。

---- 需要注意的是，有的PDF文档由于制作的时候设置了某些安全选项，禁止我们拷贝其内容。如果要了解这方面的设置，可以通过选择"File"*"Document Info"*"Security"查看(如图4所示)。如果其中的"Selecting Text and Graphics"一项被设置为"No"，这时上述拷贝文字和图像方法就不起作用了。此时，惟一的权宜之计就是使用Print Screen键或者其他的抓图软件获取某些PDF文档的画面。

⑹ 如何利用软件读取PDF文件中的内容

想要将PDF文件中的内容进行读取的话以便都是使用PDF阅读器就可以将他进行读取的，一般不做其他一些编辑的话，以便PDF阅读器就可以满足我们的需求了！

这款PDF阅读器一般使用起来就比较简单，无论是什么PDF文件他都可以进行打开阅读，二期恩还可以根据用户的需求合一些习惯进行一些设置，最大化的满足孤苦的需求，无论是pc端还是移动端，我们都可以将PDF文件进行打开！

以上就是小编的一些见解，希望对小伙伴们有所帮助！

⑺ C#如何读取pdf文本

NuGet包管理器 ->程序包管理器控制台 ->输入Install-Package Spire.PDF然后按回车安装dll
然后使用下面代码读取PDF文本
using System;
using System.IO;
using System.Text;
using Spire.Pdf;
namespace ExtractText_PDF
{
class Program
{
static void Main(string[] args)
{
//实例化PdfDocument类对象，并加载PDF文档
PdfDocument doc = new PdfDocument();
doc.LoadFromFile("sample.pdf");

//实例化一个StringBuilder 对象
StringBuilder content = new StringBuilder();

//遍历文档所有PDF页面，提取文本
foreach (PdfPageBase page in doc.Pages)
{
content.Append(page.ExtractText());
}

//将提取到的文本写为.txt格式并保存到本地路径
String fileName = "获取文本.txt";
File.WriteAllText(fileName, content.ToString());
}
}
}

⑻ python怎样读取pdf文件的内容

1，引言
晚上翻看《Python网络数据采集》这本书，看到读取PDF内容的代码，想起来前几天集搜客刚刚发布了一个抓取网页pdf内容的抓取规则，这个规则能够把pdf内容当成html来做网页抓取。神奇之处要归功于Firefox解析PDF的能力，能够把pdf格式转换成html标签，比如，div之类的标签，从而用GooSeeker网页抓取软件像抓普通网页一样抓取结构化内容。
从而产生了一个问题：用Python爬虫的话，能做到什么程度。下面将讲述一个实验过程和源代码。
2，把pdf转换成文本的Python源代码
下面的python源代码，读取pdf文件内容(互联网上的或是本地的)，转换成文本，打印出来。这段代码主要用了一个第三方库PDFMiner3K把PDF读成字符串，然后用StringIO转换成文件对象。（源代码下载地址参看文章末尾的GitHub源）
复制代码
from urllib.request import urlopen
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
from io import open
def readPDF(pdfFile):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, laparams=laparams)
process_pdf(rsrcmgr, device, pdfFile)
device.close()
content = retstr.getvalue()
retstr.close()
return content
pdfFile = urlopen("http://pythonscraping.com/pages/warandpeace/chapter1.pdf")
outputString = readPDF(pdfFile)
print(outputString)
pdfFile.close()
复制代码
如果PDF文件在你的电脑里，那就把urlopen返回的对象pdfFile替换成普通的open()文件对象。
3，展望
这个实验只是把pdf转换成了文本，但是没有像开头所说的转换成html标签，那么在Python编程环境下是否有这个能力，留待今后探索。
4，集搜客GooSeeker开源代码下载源
1. GooSeeker开源Python网络爬虫GitHub源
5，文档修改历史
2016-05-26：V2.0，增补文字说明
2016-05-29：V2.1，增加第六章：源代码下载源，并更换github源的网址

⑼ python怎样读取pdf文件的内容

fromurllib.requestimporturlopen
frompdfminer.,process_pdf
frompdfminer.converterimportTextConverter
frompdfminer.layoutimportLAParams
fromioimportStringIO
fromioimportopen

defreadPDF(pdfFile):
rsrcmgr=PDFResourceManager()
retstr=StringIO()
laparams=LAParams()
device=TextConverter(rsrcmgr,retstr,laparams=laparams)

process_pdf(rsrcmgr,device,pdfFile)
device.close()

content=retstr.getvalue()
retstr.close()
returncontent

pdfFile=urlopen("chapter1.pdf")
outputString=readPDF(pdfFile)
print(outputString)
pdfFile.close()