PDF文件解析

一、PDF文件介绍

PDF是英文Portable Document Format缩写，就是可移植的意思，它是以PostScript语言图象模型为基础，无论在哪种打印机上都可保证精确的颜色和准确的打印效果，PostScript咱也不懂，估计和SVG的原理差不多吧。

二、PDF文件格式

PDF文件是二进制数据，可以用Sublime的HexViewer打开。

1、首部

指明文件PDF版本号，%PDF-1.4 其中最后一位 4就是文件格式的版本号。

2、文件体

PDF文件主要部分，由一系列obj对象组成，类似如下格式

3 0 obj <<........>>endobj# 3 对象编号 0 修改次数

3、交叉引用表

用于索引各个obj 对象在文档中的位置，以实现随机访问

xref.0 180000000000 65535 f0000010112 00000 n.....# 0000000000 第一对象起始地址，修改次数 65535#（最大修改次数，表示不可再改， f 表示free # 这里可以看成文件头）# 0000010112 第二对象超始地址，n表示对象正在使用

4、尾部

指明文件体根对象和交叉引用表地址

trailer.<ID [732a5e375592a>e287c0a5febcad25060ccbf>]/Root 16 0 R/Size 18>>.startxref.83511.%%EOF.# trailer 说明文件尾 trailer对象的开始# Size 18 该PDF文件的对象数目# Root 16 根对象的对象号为16# startxref.83511 交叉引用表地f址

三、解析PDF文件

Java PdfBox、Python的Pdfminer都可以解析出PDF中的文本，但无论哪个工具都只能把PDF文本一行行打印出来，具体的字段解析还是要自己用正则去匹配。

下面介绍一下Python3的pdfminer3k

1、安装 pip install pdfminer3k

2、pdfminer3k几个主要类介绍

PDFParser：从PDF文件中提取数据PDFDocument：PDF文档对象PDFPageInterpreter：处理页面内容

下面是解析简历PDF数据，需要把关键信息提取出来，刚从网上找了些代码简单实现了一下，代码还没有做任何异常处理，先能跑通再说。

注：这代码对扫描版本的PDF是没有办法解析出来的。