在 Python 中阅读 PDF 包？答案

【问题标题】：Reading a PDF Portfolio in Python?在 Python 中阅读 PDF 包？
【发布时间】：2017-05-26 14:13:42
【问题描述】：

我有一个 pdf 作品集，它由一个电子邮件线程组成，每封电子邮件都包含附件。我想阅读每封电子邮件中的文本并提取附件。但是，我找不到有关如何在 python 中阅读 pdf 投资组合的信息。我曾尝试使用库、PDFMiner 和 textract，但输出只是显示：“为了获得最佳体验，请在 Acrobat X 或 Adobe Reader X 或更高版本中打开此 PDF 组合。立即获取 Adobe Reader！”

有什么想法吗？谢谢！

【问题讨论】：

标签： python python-2.7 pdf

【解决方案1】：

使用@Roland Smith 和@ikreb 的答案从投资组合中提取嵌入文件需要我做很多工作。 python-poppler 有一个相当神秘的 API，上面的说明只是获取数据，而不是 pdf。以下步骤详细说明了如何使用 poppler 和 python 子流程从投资组合中获取文档：

您需要安装 poppler。它可以在 Mac 上与 homebrew（或 condo）一起安装。您可能还需要 cmake（也与自制软件一起安装）。以下是在 Windows 上安装的多种方式：How to install Poppler on Windows?
Poppler 是一个命令行程序，因此您不必使用 python 来解决您的问题。从命令行：

# this will pull the files from the portfolio and save them to the same directory
pdfdetach -saveall <file_name, no quotes>

# example:
pdfdetach -saveall my_portfolio.pdf

在python中，使用子进程如下：

import subprocess

# pdfdetach will save all files from the portfolio to the same directory
subprocess.run(['pdfdetach', '-saveall', file_name.pdf])

# if you want to get a list of the files, use -list (see note below)
subprocess.run(['pdfdetach', '-list', file_name])

# it is also useful, within a script, to save to another folder using -o:
subprocess.run(['pdfdetach', '-saveall', os.path.join(os.path.join(os.getcwd(), my_portfolio.pdf), '-o', os.path.join(os.getcwd(), './out')])

关于列表输出的注意事项：输出将是一个子进程对象，必须对其进行解析以生成 python 文件名列表。这篇文章有几种方法可以做到这一点：python subprocess output to list or file

【讨论】：

【解决方案2】：

你可以使用python-poppler。

from poppler import load_from_file

pdf_document = load_from_file("portfolio.pdf")

if pdf_document.has_embedded_files():
    for attachment in pdf_document.embedded_files():
        print(attachment.data)

【讨论】：

【解决方案3】：

来自poppler 实用程序的程序pdfdetach 可以提取附件。

大多数类 UNIX 操作系统发行版都有可用的 poppler-utils 软件包。您可以在 SourceForge 上找到 ms-windows 版本。

您可以使用subprocess 模块从 Python 调用此程序。

【讨论】：