使用 Selenium 返回正在显示的 PDF 页面

Question

我让 Selenium 从 Google 搜索中为我打开许多 pdf 文件（使用

f"https://www.google.com/search?q=filetype:pdf {search_term}"

，然后单击第一个链接）

我想知道哪些页面包含我的关键字，而无需先下载 pdf。我相信我可以用

Ctrl+F --> 关键字 --> {抓取页码} --> Tab（下一个关键字） --> {抓取页码} --> ... --> 切换到下一个 PDF

如何完成{抓取页码}部分？

背景

对于每个 PDF，我需要将这些数字作为列表或 Pandas DataFrame 或稍后我可以用来输入camelot.read_pdf() 的任何内容

这个想法是，一旦我有了这些页码，我就可以有选择地下载这些 pdf 的页面并节省存储、内存和网络速度，而不是下载和解析整个 pdf

使用美丽汤

PDF 顶部有一个灰色小框，其中包含当前页码和总页数，并且可以选择跳过 PDF。

<input data-element-focusable="true" id="pageselector" class="c0191 c0189" type="text" value="151" title="Page number (Ctrl+Alt+G)" aria-label="Go to any page between 1 and 216">

此

value

标签中的

input

包含我要查找的号码。

其他答案

我知道以编程方式阅读 PDF 是一项挑战，我目前正在使用此功能（使用 python 查找搜索字符串位于 pdf 文档中的哪一页）来抓取首先下载了整个 PDF 的 pdf 页面。但是 Chrome 使用 Ctrl+F 可以很快地搜索 PDF，这给了我灵感，我可以使用浏览器功能来收集这些数据，而且我已经在顶部的框中看到了这些数据。

如何在存在关键字的 PDF 中保留页码？

Answer 1

您的问题是建立在几个误解之上的，而现代浏览器掩盖其工作方式的方式并没有帮助您。

考虑这几点

1. 在查看 4096 页的 pdf 时，我可以断开网络连接，但仍然可以端到端导航。 （只有这样，PDF 必须下载所有页面才能开始查看搜索编辑等，是的，有些页面会提前显示，但大多数需要先 100% 下载）

2. 我可以添加注释并显示网址，但显然我没有在服务器副本上书写。下载的文件使用我的本地资源转换为文本和像素，因此我已经支付了我自己的转换副本的价格。为什么我要一遍又一遍地重复这个成本，只需保存为我自己的、可搜索的副本，这样离线 grep 就容易多了。

无论您使用哪个浏览器扩展，它们都将文件保存在您的文件系统中的某个位置，请注意这里的差异，数据显示它在网络上，但编辑消息显示否则。在这种情况下，该字段在浏览器外部是安全的，但是 Ctrl+D + C 给了我

File: https://africau.edu/images/default/sample.pdf
Created: 3/1/2006 7:28:26 AM
Application: Rave (http://www.nevrona.com/rave)
PDF Producer: Nevrona Designs
PDF Version: 1.3
File Size: 2.96 KB (3,028 Bytes)
Number of Pages: 2
Page Size: 8.5 x 11.0 in (Letter)
   
Fonts: Helvetica (Type1; Ansi)

Mozilla PDF.js 是一个不同的野兽，因此可能更容易寻址，但正如您发现的那样，您可以在 Chrome/Edge 的 index.htm 中使用混合方法，您同样可以离线执行此操作。

因此，在您抓取了 URL 列表的基础上，最简单的解决方案应该是

curl -O (or -o tmp.pdf) URL & pdftotext | find "Keyword"

您需要稍微调整一下以显示页码和行号，但这是一两个不同的问题
https://stackoverflow.com/a/72440765/10802527已被机器人删除
https://stackoverflow.com/a/72778117/10802527