如何在 Python 中抓取此 PDF？

Question

我想在 python 中抓取此 PDF 的信息。我不确定从哪里开始，因为它根本没有组织。我习惯了HTML。我尝试将其转换为 HTML，但这并没有真正帮助。

您将如何尝试抓取此 PDF？这是 PDF 的 link（任何一个都可以，它们都很相似）：http://www.snco.us/doc/booking/(S(mgv3bhohvbweq0rj4wsq3puo))/inmate/DailyBookingArchive?Length=0

感谢您的帮助:D

Answer 1

这是我的做法，然后根据需要从这里构建。

import PyPDF2 as p2
import xlsxwriter

pdfFileName = "NAME OF PDF HERE.pdf"
pdfFile = open(pdfFileName, 'rb')
pdfread = p2.PdfFileReader(pdfFile)


pageinfo = pdfread.getPage(0)
rawInfo = pageinfo.extractText().split('\n')

row = 0
column = 0

workbook = xlsxwriter.Workbook('Workbook_Name.xlsx')
worksheet = workbook.add_worksheet('Sheet1')

for line in rawInfo:
    worksheet.write(row, column, line)
    row += 1
workbook.close()

如何在 Python 中抓取此 PDF？

How to scrape this PDF in Python?

python

pdf

screen-scraping