python爬虫处理在线预览的pdf文档

 

引言

 

 

最近在爬一个网站，然后爬到详情页的时候发现，目标内容是用pdf在线预览的

比如如下网站：

 

https://camelot-py.readthedocs.io/en/master/_static/pdf/foo.pdf

 

 

 

 

 

根据我的分析发现，这样的在线预览pdf的采用了pdfjs加载预览，用爬虫的方法根本无法直接拿到pdf内的内容的，对的，你注意到了我说的【根本无法直接拿到】中的直接两个字，确实直接无法拿到，怎么办呢？只能把pdf先下载到本地，然后用工具转了，经过我查阅大量的相关资料发现，工具还是有很多：

　　1.借用第三方的pdf转换网站转出来

　　2.使用Python的包来转：如：pyPdf，pyPdf2，pyPdf4，pdfrw等工具

这些工具在pypi社区一搜一大把：

 

 但是效果怎么样就不知道了，只能一个一个去试了，到后面我终于找到个库，非常符合我的需求的库 ——camelot

 

camelot可以读取pdf文件中的数据，并且自动转换成pandas库（数据分析相关）里的DataFrame类型，然后可以通过DataFrame转为csv,json,html都行，我的目标要的就是转为html格式，好，废话不多说，开始搞

 

开始解析

  

1.安装camelot:

 

pip install camelot-py

pip install cv2  （因为camelot需要用到这个库）

 

2.下载pdf：因为在线的pdf其实就是二进制流，所以得按照下载图片和视频的方式下载，然后存到本地的一个文件里，这个步骤就不多说了   

 

3.解析：

 

import camelot

file = 'temp.pdf'
table = camelot.read_pdf(file,flavor='stream') 
table[0].df.to_html('temp.html')

 

以上的temp.html就是我希望得到的数据了，然后根据我的分析发现，在read_pdf方法里一定带上参数  【flavor='stream'】，不然的话就报这个错：

 

RuntimeError: Please make sure that Ghostscript is installed

 

原因就是，read_pdf默认的flavor参数是lattice，这个模式的话需要安装ghostscript库，然后你需要去下载Python的ghostscript包和ghostscript驱动（跟使用selenium需要下载浏览器驱动一个原理），而默认我们的电脑肯定是没有安装这个驱动的，所以就会报上面那个错。我试着去装了这个驱动和这个包，去read_pdf时其实感觉没有本质区别，是一样的，所以带上参数flavor='stream'即可，当然如果你硬要用lattice模式的话，安装完ghostscript包和ghostscript驱动之后，记得在当前py文件用  【import ghostscript】导入下这个包，不然还是会报如上错误

 

继续走，发现能拿到我想要的数据了，非常nice,然后突然的，报了如下错误：

PyPDF2.utils.PdfReadError: EOF marker not found

 

 

 当时就是卧槽，这什么情况，我开始去研究EOF marker是什么意思，但是我直接打开这个pdf文件又是正常的

 

 

 

非常诡异，网上查阅了一堆，大概意思就是说，没有EOF结束符，这个东西在之前我做js开发的时候遇到过，js的语句体{}，少了最后的【}】，

我又去了解了下EOF到底在二进制文件指的什么，然后看到老外的这个帖子：

 

 我用同样的方法查看数据的前五个字符和后五个字符：

 

 

 

 

 

 

 

 

好像有了眉目，我以文本的方式打开了我下载到本地的一个pdf，在%%EOF结尾之后还有很多的null

 

 

 

难道是NULL的问题？我手动删掉null之后，单独对这个修改过的pdf用pdf查看器打开，正常打开，没有问题，我接着用代码针对这个文件执行read_pdf，发现非常神奇的不会报错了，那还真是结尾的NULL元素了。

然后我在从网上读取到pdf之后的二进制部分用字符串的strip()方法，以为用strip可以去除那些null，结果发现还是如此

 

 

 

 -------------------------------------

那就只有先锁定  %%EOF 所在位置，然后切片操作了，部分代码如下，果然问题解决，但同时又报了一个新的错，这个就是个编码问题了，相信搞爬虫的朋友们对这个问题非常熟悉了

 

 

 

先暂时不管这个问题，我又改了下目标网站的指定页码

 

 

 

pdfminer.psparser.SyntaxError: Invalid dictionary construct: [/'Type', /'Font', /'Subtype', /'Type0', /'BaseFont', /b"b'", /"ABCDEE+\\xcb\\xce\\xcc\\xe5'", /'Encoding', /'Identity-H', /'DescendantFonts', , /'ToUnicode', ]

 

 

发现问题越来越严重了，我鼓捣了一番之后，又查了一堆资料，将utf-8改成gb18030还是报错，我发现我小看这个问题了，接着查阅，然后发现github上camelot包的issues也有人提了这个报错，

https://github.com/atlanhq/camelot/issues/161

 

 

 

 

 

 

 

然后这里有个人说可以修复下pdf文件：

 

 

我查了下，需要安装一个软件mupdf，然后在终端用命令 修复  

mutool clean 旧的.pdf 新的.pdf

 

首先这并不是理想的解决方法，在python代码中，是可以调用终端命令，用os和sys模块就可以，但是万一因为终端出问题还不好找原因，所以我并没有去修复，之后我发现我这个决定是对的 

 

接着看，发现issue里很多人都在反馈这个问题，最后看到这个老哥说的

 

 

 

 

 

大概意思就是说pypdf2无法完美的处理中文文档的pdf，而camelot对pdf操作就基于pypdf2，卧槽，这个就难了。

 

 

然后我又查到这篇文章有说到这个问题：https://blog.csdn.net/kmesky/article/details/102695520

 

 

那只能硬改源码了，改就改吧，毕竟这也不是我第一次改源码了

 

注意：如果你不知道的情况下，千万不要改源码，这是一个大忌，除非你非常清楚你要做什么

 

修改源码：

1.format.py

C:\Program Files\Python37\Lib\site-packages\pandas\io\formats\format.py该文件的第846行

 

由这样：

 

 

 

改成这样：

 

  

 

2.generic.py

 

File "D:\projects\myproject\venv\lib\site-packages\PyPDF2\generic.py", 该文件的第484行

 

 

 

 

3.utils.py

Lib/site-packages/PyPDF2/utils.py 第238行

 

 

4.运行

 

再运行：之前那些错误已经没有了

 

但同时又有了一个新的错

 

其实这个超出索引范围的报错的根本是上面的警告：UserWarning:page-1 is image-based,camelot only works on text-based pages. [streams.py:443]

 

 

 

因为源数据pdf的内容是个图片，不再是文字，而camelot只能以文本形式提取数据，所以数据为空，所以 table[0]会报索引超出范围

 

针对图片的处理，我网上查阅了一些资料，觉得这篇文章写的不错，可以提取pdf中的图片

https://blog.csdn.net/qq_15969343/article/details/81673302 

 

但是，我的目标是希望拿到pdf中的内容，然后转成html格式，在之前，我已经由在线pdf->本地pdf->提取表格->表格转html，这是第一种。

如果要提取图片的话，那步骤就是第二种：在线pdf->本地pdf->提取图片->ocr提取表格->验证对错->表格转html，这样就会多些步骤，想想，我为了拿到一个网站的数据，每个网页就要做这些操作，而且还要判断是图片就用用第二种，是表格就用第一种，两个方法加起来的话，爬一个网站的数据要做的操作的就多了，虽然这些都属于IO操作型，但是到后期开启多线程，多进程时，与那些直接就能从源网页提取的相比就太耗时间了。

这样不是不行，是真的耗时间，所以我暂时放弃对图片的提取了，只提取table，先对pdf二进制数据判断是否是图片，是图片就跳过了

 

原理就是，根据上面那片博客里的：

 

 

 

 

 

打开二进制源码验证：

 

 

第一个，它确实是图片的：

 

 

 

 

 

 

第二个，它是表格：

 

 

 

 

 

 

不过经过我的验证，发现这个方法正确率不能百分之百，少部分的即使是表格还是有/Image和/XObject相关的字符串

 

 

那没办法了，有多少是多少吧

 

部分代码实现：

fujian_data = requests.get(fujian_url, headers=headers).content
fujian_index = fujian_data.index(b'%%EOF')
fujian_data = fujian_data[:fujian_index + len(b'%%EOF')]
checkXO = rb"/Type(?= */XObject)"
checkIM = rb"/Subtype(?= */Image)"
isXObject = re.search(checkXO, fujian_data)
isImage = re.search(checkIM, fujian_data)
if isXObject and isImage:
    # 是图片跳过
    pass
f = open('temp.pdf', 'wb')
f.write(fujian_data)
f.close()
tables = camelot.read_pdf('temp.pdf', flavor='stream')
if os.path.exists('temp.pdf'):
    os.remove('temp.pdf')  # 删除本地的pdf
tables[0].df.to_html('foo.html', header=False, index=False)

 

 

 

 

至此完毕，当然，你也可以用camelot 的to_csv 和 to_json方法转成你希望的，具体就自己研究了

 

以上就是Python处理在线pdf的所有内容