我可以解析 PDF 文件以进行抓取吗？答案

【问题标题】：Can I parse PDF file for scraping?我可以解析 PDF 文件以进行抓取吗？
【发布时间】：2020-11-27 17:46:06
【问题描述】：

我一直在尝试了解 Scrapy 的结构。我刚开始将 Scrapy 与 selenium 一起用于 CSS-HTML。我还必须解析一些 PDF 来抓取和挖掘数据。即使我在某些转换器网站上将 pdf 转换为 HTML，我也无法正确解析它。

<p style="position:absolute;top:132px;left:334px;white-space:nowrap" class="ft20"><b>MUAM.</b></p>

这里我有 "ft20" 课程，我应该去挖掘 "MUAM."

<p style="position:absolute;top:148px;left:338px;white-space:nowrap" class="ft20"><b>ADET</b></p>

在这里，我在同一个 "DİV" 或 "SPAN" 中再次有 "ft20" 类，但我需要一个带有这个的表信息。

所以问题是我应该使用什么来正确刮取 PDF 文件。另外，你们对从 PDF 转换为 HTML 有什么建议吗？

我希望你能分享我错过的内容，并且一开始就应该知道。

【问题讨论】：

【解决方案1】：

我用tabula library 解决了这个问题：

for file in glob.glob("*.pdf"): 
    print(file)
tabula.convert_into(file, "output.csv", output_format="csv", pages='all')

此代码从 pdf 生成 CSV 文件

【讨论】：