我想在python中刮取这个PDF的信息。我不知道从哪里开始,因为它根本没有组织。我习惯于刮取HTML。我试着把它转换为HTML,但没有什么帮助。
你会如何尝试刮取这个PDF?这里有一个PDF的链接(任何一个都可以,它们都是相似的)。http:/www.snco.usdocbooking(S(mgv3bhohvbweq0rj4wsq3puo))inmateDailyBookingArchive?Length=0
谢谢你的帮助:D
我是这样做的,然后根据需要从这里开始构建。
import PyPDF2 as p2
import xlsxwriter
pdfFileName = "NAME OF PDF HERE.pdf"
pdfFile = open(pdfFileName, 'rb')
pdfread = p2.PdfFileReader(pdfFile)
pageinfo = pdfread.getPage(0)
rawInfo = pageinfo.extractText().split('\n')
row = 0
column = 0
workbook = xlsxwriter.Workbook('Workbook_Name.xlsx')
worksheet = workbook.add_worksheet('Sheet1')
for line in rawInfo:
worksheet.write(row, column, line)
row += 1
workbook.close()