2

蟒蛇2.6

我正在尝试解析我的 pdf 文件，一种方法是将其转换为 html 并提取标题及其段落。所以，我尝试了 pdf2htmlEX 并将我的 pdf 转换为 html 而不会干扰我的 pdf 格式......到目前为止，我很高兴但是当我尝试使用这样的命令访问我的标题时：

>> import subprocess

>> path = "/home/administrator/Documents/pdf_file.pdf"
>> subprocess.call(["pdf2htmlEX" , path])

但是当我打开我的 html 文件时，它给了我不必要的东西以及我的文本，更重要的是，我的文本没有标题标签，只有一堆 div 和 span。

 >> f = open('/home/administrator/Documents/pdf_file.html','r')
 >> f = f.read()
 >> print f

我什至尝试使用 BeautifulSoup 访问它

>> from bs4 import BeautifulSoup as bs

>> soup = BeautifulSoup(f)
>> soup.find('div', attrs={'class': 'site-content'}).h1

它没有给我任何东西，因为没有标签。我也试过 HTMLParser

从 HTMLParser 导入 HTMLParser

# create a subclass and override the handler methods
class myhtmlparser(HTMLParser):
    def __init__(self):
         self.reset()
         self.NEWTAGS = []
         self.NEWATTRS = []
         self.HTMLDATA = []
    def handle_starttag(self, tag, attrs):
         self.NEWTAGS.append(tag)
         self.NEWATTRS.append(attrs)
    def handle_data(self, data):
         self.HTMLDATA.append(data)
    def clean(self):
         self.NEWTAGS = []
         self.NEWATTRS = []
         self.HTMLDATA = []

parser = myhtmlparser()
parser.feed(f)

# Extract data from parser
tags  = parser.NEWTAGS
attrs = parser.NEWATTRS
data  = parser.HTMLDATA

# Clean the parser
parser.clean()

# Print out our data
#print tags
print data

但他们都没有满足我的要求。我想要的只是从该 html 文件中提取每个标题及其所需的段落，这要求太多了... :p 我搜索了几乎每个站点并阅读了几乎所有内容，但我所有的努力都徒劳无功。请在这方面指导我...

4

1 回答 1

1

如果是python3及以上，应该是

outputFilename = outputDir + filename.replace(".pdf",".html")
subprocess.run(["pdf2htmlEX",file,outputFilename])
于 2019-04-13T00:01:09.840 回答