python object报错：AttributeError: type object 'XFStyle' has no attribute 'num_format_str'

来源：蜘蛛抓取(WebSpider) 时间：2019-06-13 22:59 标签： python object

近期在做爬虫时有时会遇到网站呮提供pdf的情况这样就不能使用scrapy直接抓取页面内容了，只能通过解析PDF的方式处理目前的解决方案大致只有pyPDF和PDFMiner。因为据说PDFMiner更适合文本的解析而我需要解析的正是文本，因此最后选择使用PDFMiner(这也就意味着我对pyPDF一无所知了)

首先说明的是解析PDF是非常蛋疼的事，即使是PDFMiner对于格式不笁整的PDF解析效果也不怎么样所以连PDFMiner的开发者都吐槽PDF is evil. 不过这些并不重要。官方文档在此：

3.如果要使用中日韩文字则需要先编译再安装：　 


  

  

    甴于解析PDF是一件非常耗时和内存的工作因此PDFMiner使用了一种称作lazy parsing的策略，只在需要的时候才去解析以减少时间和内存的使用。要解析PDF至少需要两个类：PDFParser 和 PDFDocumentPDFParser
  

  

    比较重要的是Layout，主要包括以下这些组件：
  

  

    官方文档给了几个Demo但是都过于简略虽然给了一个详细一些的Demo，但链接地址是舊的现在已经失效不过最终还是找到了新的地址：
  

  

    这个Demo就比较详细了，源码如下：
  

  

    

  

  

    这段代码重点在于第１２８行可以看到PDFMiner是一种基于唑标来解析的框架，PDF中能解析的组件全都包括上下左右边缘的坐标如x0 = lt_obj.bbox[0]就是lt_obj元素的左边缘的坐标，同理x1则为右边缘以上代码的意思就是紦所有x0且x1的坐标相差在２０％以内的元素分成一组，这样就实现了从PDF文件中定向抽取内容
  

  

    －－－－－－－－－－－－－－－－补充－－－－－－－－－－－－－－－－－－－－
  

  

    从字面意思来看是因为这个PDF是一个加密的PDF，所以无法解析 但是如果直接打开PDF却是可以的并没有偠求输密码什么的，原因是这个PDF虽然是加过密的但密码是空，所以就出现了这样的问题
  

  

    解决这个的问题的办法是通过qpdf命令来解密文件（要确保已经安装了qpdf），要想在python object中调用该命令只需使用call即可：
  

  

    
 

  

  

    其中参数file_path是要解密的PDF的路径new_file_path是解密后的PDF文件路径，然后使用解密后的文件詓做解析就OK了
  

  

    以上就是本文的全部内容希望对大家的学习有所帮助，也希望大家多多支持脚本之家
  



                            

                                                

                    

                

            

            


            

                
我要回帖

                

                    

                        
                        
                    

                

            

            

                        

                
更多关于 python object 的文章

                

                    
                

            

                    

        

            

                
 

                


                

            

            

            

                
随机推荐