Python读取网页上的pdf文件，输出字符串

1、首先安装pdf文件python读取包，

PDFMiner

PDFMiner是一种从PDF文档中提取信息的工具。与其他PDF相关工具不同，它完全专注于获取和分析文本数据。

如下所示 pip  install PDFMiner

2、开始使用PDFMiner来读取一个远程的pdf文件，除了使用PDFMiner，还需要安装urllib 或者urllib2，有时候这些都安装了，在导入process_pdf的时候会找不到，这个时候就需要重新安装 pdfminer

可以到如下地址寻找 pdfminer的历史版本，例如我这里安装pdfminer 20131022

pip install pdfminer==20131113

安装完成后如下所示 process_pdf可以导入正常使用了，好的我们开始下一步

3、读取一个远程的pdf文件，输出字符串

# -*- coding: UTF-8 -*from urllib import urlopenfrom pdfminer.pdfinterp import PDFResourceManager, process_pdffrom pdfminer.converter import TextConverterfrom pdfminer.layout import LAParamsfrom io import StringIOfrom io import opendef 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 contentpdfFile = urlopen("http://pythonscraping.com/pages/warandpeace/chapter1.pdf")#远程outputString = readPDF(pdfFile)print(outputString)pdfFile.close()

4、读取一个本地pdf文件，输出字符串

# -*- coding: UTF-8 -*from urllib import urlopenfrom pdfminer.pdfinterp import PDFResourceManager, process_pdffrom pdfminer.converter import TextConverterfrom pdfminer.layout import LAParamsfrom io import StringIOfrom io import opendef 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 contentpdfFile = open(u"/home/mypdf.pdf",”rd”) #本地

print(pdfFile)outputString = readPDF(pdfFile)print(outputString)pdfFile.close()