如何採集pdf文件

① 如何解決Python讀取PDF內容慢的問題

1，引言

晚上翻看《Python網路數據採集》這本書，看到讀取PDF內容的代碼，想起來前幾天集搜客剛剛發布了一個抓取網頁pdf內容的抓取規則

如果PDF文件在你的電腦里，那就把urlopen返回的對象pdfFile替換成普通的open()文件對象。

3，展望

這個實驗只是把pdf轉換成了文本，但是沒有像開頭所說的轉換成html標簽，那麼在Python編程環境下是否有這個能力，留待今後探索。


4，集搜客GooSeeker開源代碼下載源

1.GooSeeker開源Python網路爬蟲GitHub源

5，文檔修改歷史

2016-05-26：V2.0，增補文字說明
2016-05-29：V2.1，增加第六章：源代碼下載源，並更換github源的網址

② 已有pdf文件直接導入 noteexpress題錄

依次點擊：文件——導入文件——添加文件（單個PDF文檔）/添加目錄（多個PDF文檔）——選擇需要導入的文件或文件夾——打開——導入。

③ 怎麼將PDF文件進行翻譯

有一種工具可以做到，【OCR文字識別】，將PDF的文字採集下來，然後進行翻譯。如下圖！！