这是我第一次使用PDFQuery来抓取 PDF。
我需要做的是从有几页的价目表中获取价格,我想将产品代码提供给 PDFQuery,它应该找到代码并在它旁边返回价格。问题是使用 Github 页面上的第一个示例获取文本的位置,但它清楚地表示“请注意,我们不必知道名称在页面上的位置,或者它在哪个页面上”。我的价目表就是这种情况,但是所有其他示例都指定了页码(LTPage[pageid=1]
),但我看不到我们从哪里得到页码。
如果我不指定页码,它会为所有页面返回同一位置的所有文本。
另外,我添加了一个exactText
函数,因为代码可能是,例如,“92005”、“92005C”、“92005G”,所以:contains
单独使用并没有多大帮助。
我尝试选择元素所在的页面,并使用 JQuery .closest
,但都没有运气。
我检查了PDFMiner 文档 和PyQuery 文档 ,但我没有看到任何对我有帮助的东西 =(
我的代码现在看起来像这样:
import pdfquery
pdf = pdfquery.PDFQuery("tests/samples/priceList.pdf")
pdf.load()
code = "92005G"
def exactText():
element = str(vars(this))
text = str("u'" + code + "\\n'")
if text in element:
return True
return False
#This should work if i could select the page where the element is located
#page = pdf.pq('LTPage:contains("'+code+'")')
#pageNum = page.attr('pageid')
#Here I would replace the "8" with the page number i get, or remove the LTPage
#selector all together if i need to find the element first and then the page
label = pdf.pq('LTPage[page_index="8"] LTTextLineHorizontal:contains("'+code+'")').filter(exactText)
#Since we could use "JQuery selectors" i tried using ".closest", but it returns nothing
#page = label.closest('LTPage')
#pageNum = page.attr('pageid')
left_corner = float(label.attr('x0'))
bottom_corner = float(label.attr('y0'))
#Here I would replace the "8" with the page number i get
price = pdf.pq('LTPage[page_index="8"] LTTextLineHorizontal:in_bbox("%s, %s, %s, %s")' % (left_corner+110, bottom_corner, left_corner+140, bottom_corner+20)).text()
print price
任何帮助都非常感谢,伙计们和女孩们!!!