第一、幾種常用方法
讀取TXT文檔：urlopen()
讀取PDF文檔：pdfminer3k
第二、亂碼問題
(1)、
- from urllib.request import urlopen
- #訪問wiki內(nèi)容
- html = urlopen("https://en.wikipedia.org/robots.txt")
- print(html.read())
輸出的結(jié)果中出現(xiàn)亂碼原因：
計算機只能處理0和1兩個數(shù)字，所以想要處理文本，必須把文本變成0和1這樣的數(shù)字，最早的計算機使用八個0和1表示一個字節(jié)，所以最大能夠表示整數(shù)是255=11111111.如果想要表示更大的數(shù)，必須使用更多的字節(jié)。
由于計算機是美國人發(fā)明的，所以最早只有127個字符被編寫進計算機，即常見的阿拉伯數(shù)字，字母大小寫，以及鍵盤上的符號。此編碼被稱為ASCII編碼，比如大寫字母A的ASCII編碼是65,65再被轉(zhuǎn)換二進制01000001，即是計算機處理的東西。
顯然，ASCII不能表示中文，故中國制定了自己的GB2312編碼，并且兼容ASCII編碼。問題是：使用GB2312編碼的慕課網(wǎng)三個字，假設(shè)編碼為61,62,63.但在ASCII碼表可能是其他字符。如下圖示，日文中的616263編碼成其他字符，打開后意思出錯。
解決方法：
國際上的unicode編碼，整合全世界所有編碼。故unicode編碼的內(nèi)容在任一臺計算機用unicode仍正常打開
又對于A,ASCII編碼為01000001，Unicode編碼：0000000001000001此時浪費空間
故出現(xiàn)UTF-8編碼：01000001此時用兩個八位存儲中文。
(2)、記事本使用unicode編碼，將記事本存到計算機時，將轉(zhuǎn)化為utf-8儲存。
在計算機中打開文本時，將轉(zhuǎn)化為unicode編碼
存儲原因：使用utf-8儲存節(jié)省空間，使用unicode打開保證最大的兼容
(3)、服務(wù)器讀取uncode編碼的文檔，轉(zhuǎn)化為utf-8格式傳給瀏覽器。因為網(wǎng)絡(luò)帶寬昂貴，轉(zhuǎn)化為了減少負擔(dān)。
(4)、python3字符串默認使用Unicode編碼，所以python3支持多種語言
以Unicode表示的str通過encode()方法可以編碼為指定的bytes
如果bytes使用ASCII編碼，遇到ASCII碼表沒有的字符會以\x##表示，此時只用‘\x##'.decode('utf-8')即可
(5)、解決方法
- from urllib.request import urlopen
- #訪問wiki內(nèi)容
- html = urlopen("https://en.wikipedia.org/robots.txt")
- print(html.read().decode("utf-8"))
第三、pdfminer3k安裝
法一：
(1)、進入網(wǎng)址直接下載并解壓：https://pypi.python.org/pypi/pdfminer3k/
(2)、以管理員身份運行命令行窗口，進入軟件解壓縮位置，運行python setup.py install
法二：
(3)、直接在pycharm中安裝
(4)、讀取pdf過程：首先創(chuàng)建一個分析器pdfparser和文檔對象pdfdocument，并通過兩個方法相互關(guān)聯(lián)，然后調(diào)用文檔對象的初始化方法（可以傳參數(shù)），此時資源內(nèi)容被加載到文檔對象中。
創(chuàng)建資源管理器和參數(shù)分析器，然后創(chuàng)建聚合器(整合資源管理器和參數(shù)分析器)，通過聚合器創(chuàng)建解釋器（對pdf文檔進行編碼，解釋成python能識別的格式）
(5)、讀取pdf文檔：通過文檔對象的get_pages()方法得到pdf每一頁的內(nèi)容，通過解釋器的process_page()方法讀取一頁一頁。
(6)、實例演示
- from pdfminer.converter import PDFPageAggregator
- from pdfminer.layout import LAParams
- from pdfminer.pdfparser import PDFParser, PDFDocument
- from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
- from pdfminer.pdfdevice import PDFDevice
- #獲得文檔對象,以二進制讀方式打開
- fp = open("naacl06-shinyama.pdf", "rb")
- #創(chuàng)建一個與文檔關(guān)聯(lián)的分析器
- parser = PDFParser(fp)
- #創(chuàng)建一個pdf文檔的對象
- doc = PDFDocument()
- #連接解釋器與文檔對象
- parser.set_document(doc)
- doc.set_parser(parser)
- #初始化文檔,如果文檔有密碼，寫與此。
- doc.initialize("")
- #創(chuàng)建pdf資源管理器
- resource = PDFResourceManager()
- #參數(shù)分析器
- laparam = LAParams()
- #創(chuàng)建聚合器
- device = PDFPageAggregator(resource, laparams=laparam)
- #創(chuàng)建pdf頁面解釋器
- interpreter = PDFPageInterpreter(resource, device)
- #使用文檔對象得到頁面的集合
- for page in doc.get_pages():
- #使用頁面解釋器讀取
- interpreter.process_page(page)
- #使用聚合器來獲得內(nèi)容
- layout = device.get_result()
- for out in layout:
- if hasattr(out, "get_text"):
- print(out.get_text())
一下用于讀取網(wǎng)站上pdf內(nèi)容
- fp = urlopen(http://www.tencent.com/zh-cn/articles/8003251479983154.pdf)
補充內(nèi)容：
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持我們。如有錯誤或未考慮完全的地方，望不吝賜教。
原文鏈接：https://blog.csdn.net/mingyuli/article/details/79737634
