python讀取pdf的dpi

『壹』 有沒有好一點的讀取pdf的python包

強烈推薦：pdfrw，可以拿來直接使用，不依賴於其他庫。目前版本0.2。
舉例：
from pdfrw import PdfReader, PdfWriter, PageMerge
ipdf = PdfReader('sample2e.pdf')
wpdf = PdfReader('wmark.pdf')

『貳』 如何用python獲取pdf文檔中的文本內容和文本坐標

可以使用 pdfminer模塊來識別讀取 pdf 中的文本內容

『叄』 python 遍歷文件夾PDF並轉換成圖片

這種圖片的也可以轉換成圖片的形式，一般文件夾要進行一個轉化才可以變成圖片。

『肆』 如何利用Python抓取PDF中的某些內容

可以轉換成TXT再抓取

fromcStringIOimportStringIO
frompdfminer.pdfinterp
importPDFResourceManager,PDFPageInterpreter
frompdfminer.converterimportTextConverter
frompdfminer..pdfpage
importPDFPage
defconvert_pdf_2_text(path):

rsrcmgr=PDFResourceManager()
retstr=StringIO()

device=TextConverter(rsrcmgr,retstr,codec='utf-8',laparams=LAParams())
interpreter=PDFPageInterpreter(rsrcmgr,device)

withopen(path,'rb')asfp:
forpageinPDFPage.get_pages(fp,set()):
interpreter.process_page(page)
text=retstr.getvalue()

device.close()
retstr.close()

returntext

『伍』 如何用Python從大量pdf 中提取表格中的數據進行分析

試試tabula，讀取pdf後可轉為pandas dataframe進行後續處理，也可直接輸出csv文件。
python版本的項目主頁，
安裝：pip install tabula-py
如果包含中文內容需要修改編碼格式：
pd.read_csv("example.csv", encoding="GB18030")
(ps下次提問請先查看萬能的stackoverflow：
Extracting table contents from a collection of PDF files)

『陸』 python pil 怎麼設定圖片的dpi

在python ide 可以這樣處理：
im.resize(box, Image.ANTIALIAS)
im.save(path, 'JPEG', quality = 95)
DPI貌似不能設，只能設定圖片質量，請試試看吧。

『柒』 如何利用Python對PDF文件做OCR識別

1.安裝tesseract

2.安裝PyOCR

3.安裝Wand和PIL
在我們開始之前，還需要另外安裝兩個依賴包。一個是Wand。它是Imagemagick的Python介面。
我們需要使用它來將PDF文件轉換成圖像：

我們也需要PIL因為PyOCR需要使用它。你可以查看官方文檔以確定如何將PIL安裝到你的操作系統中。

5.開始
現在我們需要獲得OCR庫（在本例中，即tesseract）的句柄以及我們在PyOCR中將使用的語言：

我們使用tool.get_available_languages里的第二種語言，因為之前我曾嘗試過，第二種語言就是英語。
接著，我們需要建立兩個列表，用於存儲我們的圖像和最終的文本。

下一步，我們需要採用wand將一個PDF文件轉成jpeg文件。讓我們試一試吧！

注意：將PDF_FILE_NAME替換成當前路徑下的一個可用的PDF文件名。
wand已經將PDF中所有的獨立頁面都轉成了獨立的二進制圖像對象。我們可以遍歷這個大對象，並把它們加入到req_image序列中去。

現在，我們僅僅需要在圖像對象上運行OCR即可，非常簡單：

現在，所有識別出的文本已經加到了final_text序列中了。你可以任意地使用它。以上就是利用Python對PDF文件做OCR識別的全部內容，希望這個教程能夠幫助到你們！

『捌』 python怎樣讀取pdf文件的內容

1、首先要下載一個處理pdf的組件pdfminer，網路搜索去官網下載

2、下載完成解壓以後，打開cmd進入用命令安裝。python setup.py install 進行安裝

3、我們來測試一下是否安裝成功了，引入這個模塊，運行一下代碼，沒有報錯就說明安裝成功了

4、官網有文檔也有代碼示例
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice

fp = open('mypdf.pdf', 'rb')
#創建一個PDF文檔解析器對象
parser = PDFParser(fp)
#創建一個PDF文檔對象存儲文檔結構
#提供密碼初始化，沒有就不用傳該參數
document = PDFDocument(parser, password)
#檢查文件是否允許文本提取
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
#創建一個PDF資源管理器對象來存儲共享資源
rsrcmgr = PDFResourceManager()
#創建一個pdf設備對象
device = PDFDevice(rsrcmgr)
#創建一個PDF解析器對象
interpreter = PDFPageInterpreter(rsrcmgr, device)
#處理文檔當中的每個頁面
for page in PDFPage.create_pages(document):
interpreter.process_page(page)

5、我新建一個pdf，新輸入一些內容

6、運行一下代碼即可

『玖』 python pdf二進制讀取問題

可以使用numpy.fromfile()，也可以使用open(filename, 'rb')，其中的'b'就是二進制的意思，然後使用文件類型的read方法，讀取一些位元組，再用struct.unpack()方法來解析二進制。
第一種方法是一次性讀入文件（或文件的前多少個連續位元組）到一個數組中，因此，靈活性差。
第二種方法靈活性很高，可以讀取任意位置（使用文件的seek()方法跳躍位置）的二進制數據，再使用struct.unpack()方法來進行各種二進制解析。

提示：二進制文件是不保留存儲方式的數據格式，因此，讀二進制文件時應該知道二進制文件的存儲格式。

『拾』 如何解決Python讀取PDF內容慢的問題

1，引言

晚上翻看《Python網路數據採集》這本書，看到讀取PDF內容的代碼，想起來前幾天集搜客剛剛發布了一個抓取網頁pdf內容的抓取規則

如果PDF文件在你的電腦里，那就把urlopen返回的對象pdfFile替換成普通的open()文件對象。

3，展望

這個實驗只是把pdf轉換成了文本，但是沒有像開頭所說的轉換成html標簽，那麼在Python編程環境下是否有這個能力，留待今後探索。


4，集搜客GooSeeker開源代碼下載源

1.GooSeeker開源Python網路爬蟲GitHub源

5，文檔修改歷史

2016-05-26：V2.0，增補文字說明
2016-05-29：V2.1，增加第六章：源代碼下載源，並更換github源的網址