爬取網(wǎng)頁文件并批量解析pdf

很多時候我們需要爬取網(wǎng)上的文件并提取文件的數(shù)據(jù)做對比,文件一般為pdf格式需要轉(zhuǎn)化為excel表格,現(xiàn)在可以用python實(shí)現(xiàn)采集數(shù)據(jù)到提取數(shù)據(jù)的全流程操作。
一、首先要爬取網(wǎng)頁內(nèi)容下載pdf文件

import requests
from lxml import html
etree = html.etree
import os
import time
def main(i):
    #第一頁
    if i==1:
        url = "http://www.innocom.gov.cn/gxjsqyrdw/gswj/list.shtml"
   #進(jìn)行翻頁處理
 else:
        url = 'http://www.innocom.gov.cn/gxjsqyrdw/gswj/list'+'_'+str(i)+'.shtml'
    html = requests.get(url)
    time.sleep(60)
    xhtml = etree.HTML(html.content.decode("utf-8"))  
   #定位到需要提取的內(nèi)容
    node = xhtml.xpath('/html/body/div[2]/div[1]/div[3]/ul/li/a[contains(text(), "擬認(rèn)定")]/@href')
    res = []
    for url in node:
            #拼接pdf的url
            url = 'http://www.innocom.gov.cn/' + url 
            html = requests.get(url)  
            time.sleep(60)
            xhtml = etree.HTML(html.content.decode("utf-8"))   
            node = xhtml.xpath('//*[@id="content"]//@href')
            url_1 =url[::-1]
            a= url[:-url_1.find('/')]
            res.append(a+node[0]) 
            print(a+node[0])  
            #點(diǎn)擊url下載pdf文件      
            for i in range(len(res)):
                r = requests.get(res[i])
                os.makedirs('名單./',exist_ok=True) #創(chuàng)建目錄存放文件
                f = open('名單./'+f"{i}.pdf", 'wb')
                for chunk in r.iter_content(): 
                    if chunk: # filter out keep-alive new chunks
                        f.write(chunk)
                f.close()
            
if __name__=='__main__':
    for i in range(1,15):
        main(i)

二训措、把pdf解析為excel文件
1.使用tabula模塊解析

import tabula
import pandas as pd
df = tabula.read_pdf("1.pdf", encoding='utf-8', pages='all')
df = pd.DataFrame(df)
print(df)

2.使用adobe.acrobat來批量解析某個文件夾下所有的pdf文件

import os    
import winerror
from win32com.client.dynamic import Dispatch, ERRORS_BAD_CONTEXT
ERRORS_BAD_CONTEXT.append(winerror.E_NOTIMPL)
my_dir = r"C:\Users\sq\Desktop\名單"
file_list = os.listdir(my_dir)
print(file_list)
for i in file_list:
    my_pdf = f"{i}"
    os.chdir(my_dir)
    src = os.path.abspath(my_pdf)
    try:
        AvDoc = Dispatch("AcroExch.AVDoc")    

        if AvDoc.Open(src, ""):            
            pdDoc = AvDoc.GetPDDoc()
            jsObject = pdDoc.GetJSObject()
            i = i[:-4]
            #也可以把后綴轉(zhuǎn)為其他格式
            jsObject.SaveAs(os.path.join(my_dir, f'{i}.xlsx'), "com.adobe.acrobat.xlsx")

    except Exception as e:
        print(str(e))

    finally:       
        AvDoc.Close(True)
        jsObject = None
        pdDoc = None
        AvDoc = None
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市光羞,隨后出現(xiàn)的幾起案子绩鸣,更是在濱河造成了極大的恐慌,老刑警劉巖纱兑,帶你破解...
    沈念sama閱讀 219,188評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件呀闻,死亡現(xiàn)場離奇詭異,居然都是意外死亡潜慎,警方通過查閱死者的電腦和手機(jī)捡多,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,464評論 3 395
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來铐炫,“玉大人垒手,你說我怎么就攤上這事〉剐牛” “怎么了科贬?”我有些...
    開封第一講書人閱讀 165,562評論 0 356
  • 文/不壞的土叔 我叫張陵,是天一觀的道長鳖悠。 經(jīng)常有香客問我榜掌,道長,這世上最難降的妖魔是什么乘综? 我笑而不...
    開封第一講書人閱讀 58,893評論 1 295
  • 正文 為了忘掉前任憎账,我火速辦了婚禮,結(jié)果婚禮上瘾带,老公的妹妹穿的比我還像新娘匿醒。我一直安慰自己喘批,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,917評論 6 392
  • 文/花漫 我一把揭開白布欺栗。 她就那樣靜靜地躺著抄罕,像睡著了一般允蚣。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上呆贿,一...
    開封第一講書人閱讀 51,708評論 1 305
  • 那天嚷兔,我揣著相機(jī)與錄音森渐,去河邊找鬼。 笑死冒晰,一個胖子當(dāng)著我的面吹牛同衣,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播壶运,決...
    沈念sama閱讀 40,430評論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼耐齐,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了蒋情?” 一聲冷哼從身側(cè)響起埠况,我...
    開封第一講書人閱讀 39,342評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎棵癣,沒想到半個月后辕翰,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,801評論 1 317
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡狈谊,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,976評論 3 337
  • 正文 我和宋清朗相戀三年喜命,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片的畴。...
    茶點(diǎn)故事閱讀 40,115評論 1 351
  • 序言:一個原本活蹦亂跳的男人離奇死亡渊抄,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出丧裁,到底是詐尸還是另有隱情护桦,我是刑警寧澤,帶...
    沈念sama閱讀 35,804評論 5 346
  • 正文 年R本政府宣布煎娇,位于F島的核電站二庵,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏缓呛。R本人自食惡果不足惜催享,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,458評論 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望哟绊。 院中可真熱鬧因妙,春花似錦、人聲如沸票髓。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,008評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽洽沟。三九已至以故,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間裆操,已是汗流浹背怒详。 一陣腳步聲響...
    開封第一講書人閱讀 33,135評論 1 272
  • 我被黑心中介騙來泰國打工炉媒, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人昆烁。 一個月前我還...
    沈念sama閱讀 48,365評論 3 373
  • 正文 我出身青樓吊骤,卻偏偏與公主長得像,于是被迫代替她去往敵國和親善玫。 傳聞我的和親對象是個殘疾皇子水援,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,055評論 2 355

推薦閱讀更多精彩內(nèi)容