如何在 Python 中将提取的文本从 PDF 转换为 JSON 或 XML 格式？

Question

我正在使用 PyPDF2 从 PDF 文件中提取数据，然后转换为文本格式？

文件的PDF格式如下：

Name : John 
Address: 123street , USA 
Phone No:  123456
Gender: Male 

Name : Jim 
Address:  456street , USA 
Phone No:  456899
Gender: Male 

在 Python 中，我使用以下代码：

import PyPDF2
pdf_file = open('C:\\Users\\Desktop\\Sampletest.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
page_content

这是我从 page_content 得到的结果：

 'Name : John \n \nAddress: 123street , USA \n \nPhone No:  123456\n \nGender: Male \n \n \nName : Jim \n \nAddress:  456street , USA \n \nPhone No:  456899\n \nGender: Male \n \n \n'

如何将其格式化为 JSON 或 XML 格式，以便可以在 SQL Server 数据库中使用提取的数据。

我也尝试过使用这种方法

import json
data = json.dumps(page_content)
formatj = json.loads(data)
print (formatj)

输出：

Name : John 
Address: 123street , USA 
Phone No:  123456
Gender: Male 

Name : Jim 
Address:  456street , USA 
Phone No:  456899
Gender: Male 

这与我的 word 文件中的输出相同，但我认为这不是 JSON 格式。

Answer 1

不是很漂亮，但我认为这样可以完成工作。你会得到一个字典，然后由 json 解析器以漂亮、漂亮的格式打印出来。

import json    

def get_data(page_content):
    _dict = {}
    page_content_list = page_content.splitlines()
    for line in page_content_list:
        if ':' not in line:
            continue
        key, value = line.split(':')
        _dict[key.strip()] = value.strip()
    return _dict

page_data = get_data(page_content)
json_data = json.dumps(page_data, indent=4)
print(json_data)

或者，而不是最后 3 行，只需这样做：

print(json.dumps(get_data(page_content), indent=4))