北京网站制作飞沐,当当网网站内容建设的分析,阿里云网站建设的功能,大气网站首页一、PDF文件介绍
PDF是英文Portable Document Format缩写#xff0c;就是可移植的意思#xff0c;它是以PostScript语言图象模型为基础#xff0c;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#xff0c;PostScript咱也不懂#xff0c;估计和SVG的原理差不多吧…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./Info 17 0 R/ID [df2c5533d0ab7c62ee7732a5e375592ab07f35295e287c0a5febcad25060ccbf]/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PDFDocumentPDF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。
